Bild zu Klang — Pixel zu Musik oder Spektrogramm sonifizieren

Die meisten beliebten "image to music"-Tools heute (InsMelo, Mubert, Suno, Artlist) erzeugen aus deinem Foto mit KI ganze Songs — sie analysieren Stimmung und Palette und komponieren einen Track mit Melodie und Schlagzeug. Dieses Tool macht stattdessen wissenschaftliche Sonifikation: Pixel-Daten werden direkt auf Klang abgebildet. Der Musikmodus fügt eine Tonleiter hinzu, damit das Ergebnis musikalisch klingt, ist aber immer noch eine 1:1-Transformation deines Bildes, kein komponierter Song. Für KI-komponierte Musik suche nach Tools mit der Bezeichnung "AI music from image" oder "photo to song with AI".

Musikmodus liest jede Zeitscheibe als Helligkeitsprofil, legt sie auf die Stufen der gewählten Skala und lässt jede hervorstechende Stufe klingen — bis zu acht gleichzeitig. Melodisch, hörbar, und es ändert sich mit dem Bild. Raw ist additive Synthese: Jedes Pixel wird ein Sinus-Teilton, dessen Frequenz aus seiner Zeile und dessen Lautstärke aus seiner Helligkeit kommt — die Aufnahme ist buchstäblich das Spektrogramm deines Bildes, hart und dröhnend, und der Modus für Spektrogramm-Kunst. vOICe-Modus ist dieselbe Idee, aber an eine genaue Spezifikation gebunden: 500–5000 Hz, sechzehn Helligkeitsstufen im Abstand von zwei Dezibel, eine Stereoblende von links nach rechts und der Abtastklick, wie im gleichnamigen Sinnesersatz-System.

Das Bild wird von links nach rechts abgetastet (Zeitachse). Für jede Spalte werden Pixel von unten nach oben auf einen logarithmischen Frequenzbereich (200–4000 Hz) abgebildet. Pixel-Helligkeit steuert die Lautstärke dieser Frequenz — helle Pixel sind laut, dunkle still. Die Farbe beeinflusst den Wellentyp: Warm = Sägezahn, Kalt = Sinus, Neutral = Dreieck.

Solche mit starkem Kontrast und wenigen großen Formen. Im Musikmodus ergeben ein Gesicht, ein einfacher Gegenstand oder eine Textzeile eine Melodie, die man wiedererkennt, weil das Werkzeug klare helle Bereiche hat, die es auf Töne abbilden kann; im Rohmodus liefern geometrische Muster, Diagonalen und Verläufe die kennzeichnendsten Spektrogrammtexturen, denn der Klang ist hier buchstäblich die Form des Bildes. Fast nichts ergibt in beiden Modi das Gegenteil: Ein sehr dunkles Foto hat keine hellen Bereiche zum Klingen, und ein gleichförmiges — eine Wand, ein Himmel, ein verschwommener Hintergrund — hat nichts, das sich ändert, und das Ergebnis dröhnt. Klingt ein Bild fade, erhöhen Sie den Kontrast, bevor Sie den Modus beschuldigen.

Nimm den vOICe-Modus. Er bildet die Abbildung von The vOICe nach — dem Sinnesersatz-System, auf das blinde Nutzer tatsächlich trainieren — statt ihr nur zu ähneln: 500–5000 Hz auf exponentieller Achse, sechzehn Helligkeitsstufen im Abstand von zwei Dezibel mit Schwarz als echter Stille, eine Stereoblende von links nach rechts, damit das Ohr links von rechts unterscheidet, und der Klick, der jeden Abtastbeginn markiert. Raw ist eine lockerere Sonifikation, der Musikmodus ist angenehm, aber weit weniger informativ. Keiner der drei ersetzt Screenreader oder Alternativtext; sie fügen eine Möglichkeit hinzu, Form und Anordnung hörend wahrzunehmen.