Imagen a sonido: sonificación, espectrograma y vOICe

Los servicios populares de «imagen a música» (InsMelo, Mubert, Suno, Artlist) componen una canción entera a partir de tu foto con IA: leen el ambiente y la paleta y escriben un tema con melodía y batería. Aquí se hace sonificación: los datos de los píxeles pasan a sonido directamente. El modo melodía añade una escala para que el resultado suene musical, pero sigue siendo una transformación 1:1, no una canción compuesta. Si buscas música de IA, busca herramientas de «música con IA a partir de una foto».

Cambia el origen a Texto, escribe hasta tres líneas y descarga el WAV. La palabra se dibuja directamente en las frecuencias: en la forma de onda no se ve, y en una vista de espectrograma salta a la vista — Audacity (vista Spectrogram), Spek, Sonic Visualiser o cualquier analizador de espectro del celular. Que sobreviva al reenvío lo decide una opción: en Rango de frecuencias, «Sobrevive al reenvío» coloca el texto en una banda estrecha por debajo del corte que aplican MP3 y AAC, de modo que una app de mensajería o un sitio de video no lo borren al recodificar. El contorno se lee con más nitidez que el relleno cuando el detalle es bajo.

Melodía lee cada porción de tiempo como un perfil de brillo, lo pliega sobre los grados de tu escala y hace sonar todos los que destacan, hasta ocho a la vez. Melódico, y el sonido cambia cuando cambia la imagen. Raw es síntesis aditiva: cada píxel es un parcial senoidal cuya frecuencia sale de su fila y cuyo volumen sale de su brillo, así que el audio es literalmente el espectrograma de la imagen — áspero y tipo dron, y es el modo del arte de espectrograma. vOICe es la misma idea sujeta a una especificación exacta, la del sistema de sustitución sensorial de ese nombre.

Para eso está el modo vOICe, y el escaneo de cámara en vivo es lo que lo convierte en un dispositivo y no en un conversor: la cámara se lee de forma continua, de izquierda a derecha, con la correspondencia con la que entrenan las personas ciegas — 500–5000 Hz en eje exponencial, dieciséis pasos de brillo separados por dos decibelios con el negro como silencio real, un paneo estéreo para que el oído distinga izquierda de derecha, y el clic que marca el comienzo de cada barrido. Los auriculares importan: sin ellos se pierde el paneo estéreo, que es la mitad de lo que hace legible un paisaje sonoro. Nada de esto sustituye a un lector de pantalla ni al texto alternativo; añade una forma de percibir forma y disposición por el oído.

Las de mucho contraste y pocas formas grandes. En modo melodía una cara, un objeto sencillo o una línea de texto dan una melodía reconocible; en Raw la geometría, las diagonales y los degradados dan las texturas de espectrograma más distintivas, porque el sonido es literalmente la forma de la imagen. Casi nada da lo contrario: una foto muy oscura no tiene zonas claras que sonar, y una uniforme —una pared, el cielo, un fondo desenfocado— no tiene nada que cambie, así que el resultado zumba. El deslizador Contraste, en «Imagen y color», existe justo para esto, y el cuadro en pantalla muestra su efecto antes de escuchar.

El Detalle fija el número de filas, es decir la resolución en frecuencia: 32, 64, 128 o 192. El número de columnas sigue la forma de tu imagen en vez de aplastarla en una rejilla fija, y el cuadro en pantalla es el que lee el motor, con sus dimensiones incluidas. Más filas significan una imagen más nítida en el espectrograma y un cálculo más largo; 64 basta para texto y formas, 128 en adelante para fotografías.