Bild zu Ton — Sonifikation, Spektrogramm-Kunst und vOICe

Die bekannten „Bild zu Musik"-Dienste (InsMelo, Mubert, Suno, Artlist) komponieren aus Ihrem Foto mit KI einen ganzen Song — sie lesen Stimmung und Palette und schreiben einen Track mit Melodie und Schlagzeug. Hier passiert Sonifikation: Pixeldaten werden direkt in Klang übersetzt. Der Melodie-Modus legt eine Tonleiter darüber, damit das Ergebnis musikalisch wirkt, es bleibt aber eine 1:1-Umwandlung und kein komponiertes Stück. Wer KI-Musik will, sucht nach „KI-Musik aus Foto".

Stellen Sie die Quelle auf Text, tippen Sie bis zu drei Zeilen und laden Sie die WAV. Das Wort wird direkt in die Frequenzen gezeichnet: In der Wellenform ist es unsichtbar, in einer Spektrogramm-Ansicht sofort zu sehen — Audacity (Spektrogramm-Ansicht), Spek, Sonic Visualiser oder eine beliebige Spektrum-App am Telefon. Ob es das Weiterschicken übersteht, entscheidet eine Einstellung: Unter Frequenzbereich legt „Übersteht das Teilen" den Text in ein schmales Band unterhalb der Grenze, die MP3 und AAC anwenden, sodass ein Messenger oder Videoportal ihn beim Neukodieren nicht löscht. Die Kontur liest sich bei geringem Detailgrad schärfer als die gefüllte Form.

Melodie liest jeden Zeitabschnitt als Helligkeitsprofil, faltet ihn auf die Stufen Ihrer Tonleiter und lässt jede hervorstechende Stufe klingen — bis zu acht gleichzeitig. Melodisch, und der Klang ändert sich mit dem Bild. Raw ist additive Synthese: Jedes Pixel wird ein Sinus-Teilton, die Frequenz kommt aus der Zeile, die Lautstärke aus der Helligkeit — das Audio ist also buchstäblich das Spektrogramm des Bildes, hart und dröhnend, und genau der Modus für Spektrogramm-Kunst. vOICe ist dieselbe Idee, festgehalten in der exakten Spezifikation des gleichnamigen Systems zur Sinnesersetzung.

Dafür ist der vOICe-Modus da, und der Live-Kamerascan macht daraus ein Gerät statt eines Konverters: Die Kamera wird ununterbrochen gelesen, von links nach rechts, in genau der Zuordnung, auf die blinde Nutzer trainiert sind — 500–5000 Hz auf einer Exponentialachse, sechzehn Helligkeitsstufen im Abstand von zwei Dezibel mit Schwarz als echter Stille, eine Stereo-Blende, damit das Ohr links von rechts trennt, und der Klick am Scanbeginn. Kopfhörer sind wichtig: Ohne sie geht die Stereo-Blende verloren, und die ist die Hälfte dessen, was eine Klanglandschaft lesbar macht. Nichts davon ersetzt Screenreader oder Alternativtexte; es ergänzt eine Art, Form und Anordnung über das Gehör wahrzunehmen.

Kontrastreiche mit wenigen großen Formen. Im Melodie-Modus ergeben ein Gesicht, ein einfacher Gegenstand oder eine Textzeile eine Melodie, die man wiedererkennt; in Raw liefern Geometrie, Diagonalen und Verläufe die markantesten Spektrogramm-Texturen, denn der Klang ist buchstäblich die Form des Bildes. Fast nichts ergibt das Gegenteil: Ein sehr dunkles Foto hat keine hellen Bereiche zum Klingen, ein gleichförmiges — Wand, Himmel, unscharfer Hintergrund — hat nichts, was sich ändert, und dröhnt. Der Kontrastregler unter „Bild und Farbe" ist genau dafür da, und das Bild auf dem Schirm zeigt sein Ergebnis schon vor dem Hören.

Der Detailgrad setzt die Zeilenzahl, also die Frequenzauflösung: 32, 64, 128 oder 192. Die Spaltenzahl folgt der Form Ihres Bildes, statt es in ein festes Raster zu quetschen, und das gezeigte Bild ist das, was die Engine liest, samt Abmessungen. Mehr Zeilen heißt ein schärferes Bild im Spektrogramm und eine längere Berechnung; 64 reicht für Text und Formen, 128 und mehr für Fotografien.