الصورة إلى صوت: السَّونَفة وفن الطيف وvOICe

الخدمات المعروفة لـ«الصورة إلى موسيقى» (InsMelo وMubert وSuno وArtlist) تؤلّف أغنية كاملة من صورتك بالذكاء الاصطناعي: تقرأ المزاج واللوحة اللونية وتكتب مقطوعة بلحن وإيقاع. أمّا هنا فتجري سَونَفة: تتحوّل بيانات البكسل إلى صوت مباشرة. يضيف نمط اللحن سلمًا موسيقيًا ليبدو الناتج موسيقيًا، لكنه يبقى تحويلًا 1:1 لا أغنية مؤلَّفة. ومن أراد موسيقى بالذكاء الاصطناعي فليبحث عن «موسيقى بالذكاء الاصطناعي من صورة».

حوّل المصدر إلى «نص»، واكتب حتى ثلاثة أسطر، ونزّل ملف WAV. تُرسَم الكلمة في الترددات مباشرة: لا تُرى في شكل الموجة، وتُرى فورًا في عرض الطيف — Audacity (عرض Spectrogram) أو Spek أو Sonic Visualiser أو أي محلّل طيف على الهاتف. وصمودها أمام المشاركة يحدّده خيار واحد: في «نطاق التردد» يضع خيار «يصمد أمام المشاركة» النص في نطاق ضيّق تحت القطع الذي يطبّقه MP3 وAAC، فلا يمحوه تطبيق مراسلة أو موقع فيديو عند إعادة الترميز. والنمط المحدَّد يُقرأ أوضح من الممتلئ عند التفصيل المنخفض.

اللحن يقرأ كل شريحة زمنية كملمح سطوع، ويطويها على درجات سلمك، ويُسمع كل درجة بارزة — حتى ثماني درجات معًا. لحنيّ، ويتغيّر الصوت بتغيّر الصورة. وRaw تركيب جمعي: كل بكسل يصير مركّبة جيبية تردّدها من صفّها وجهارتها من سطوعها، فالصوت حرفيًا طيف الصورة — خشن وطنّان، وهو نمط فن الطيف. وvOICe الفكرة نفسها مقيّدة بمواصفة دقيقة واحدة، مواصفة نظام الاستبدال الحسّي الذي يحمل هذا الاسم.

لذلك وُجد نمط vOICe، والمسح الحيّ بالكاميرا هو ما يجعله جهازًا لا محوِّلًا: تُقرأ الكاميرا باستمرار، من اليسار إلى اليمين، بالخريطة التي يتدرّب عليها المكفوفون فعلًا — 500–5000 هرتز على محور أسّي، وستّ عشرة درجة سطوع بفارق ديسيبلين مع السواد صمتًا حقيقيًا، وتلاشٍ ستيريو ليميّز السمع اليسار من اليمين، والنقرة التي تحدّد بداية كل مسح. والسمّاعات مهمّة: بدونها يضيع التلاشي الستيريو، وهو نصف ما يجعل المشهد الصوتي مقروءًا. ولا شيء من هذا يغني عن قارئ الشاشة أو النص البديل؛ إنما يضيف طريقة لإدراك الشكل والتوزيع بالسمع.

الصور عالية التباين ذات الأشكال الكبيرة القليلة. في نمط اللحن يعطي وجهٌ أو شيء بسيط أو سطر نص لحنًا يمكن التعرّف عليه مجددًا؛ وفي Raw تعطي الأشكال الهندسية والأقطار والتدرّجات أوضح نُسُج الطيف، لأن الصوت هو حرفيًا شكل الصورة. وأمّا ما لا يعطي شيئًا يُذكر فهو العكس: الصورة شديدة العتمة لا مناطق مضيئة فيها لتُسمَع، والصورة المتجانسة — جدار أو سماء أو خلفية ضبابية — لا شيء فيها يتغيّر، فيكون الناتج طنينًا. ومنزلق «التباين» في قسم «الصورة واللون» موجود لهذا بالضبط، والإطار على الشاشة يُظهر أثره قبل الاستماع.

يحدّد «التفصيل» عدد الصفوف، أي دقّة التردد: 32 أو 64 أو 128 أو 192. أمّا عدد الأعمدة فيتبع شكل صورتك بدل حشرها في شبكة ثابتة، والإطار المعروض هو الذي يقرؤه المحرّك بأبعاده كاملة. وكلّما زادت الصفوف صارت الصورة أوضح في الطيف وطال الحساب؛ و64 يكفي للنص والأشكال، و128 فما فوق للصور الفوتوغرافية.