Features de bajo nivel
Tono, saturación, densidad de bordes, rugosidad, contraste de luminancia (~8 features).
R² CV < 0 · Sin señal
Investigación en curso · 2026
ARGIRA
Sonificación
y Métricas
Perceptuales
Ranero García, Jose
Zenodo · CC BY-NC 4.0
Nuevo · ARGIRA V publicado · 4 Jun 2026
¿Puede la estructura visual de una imagen predecir cómo suena perceptualmente? ARGIRA es un proyecto de investigación que responde esta pregunta a través de resultados negativos sistemáticos — mapeando los límites de lo que las representaciones visuales estándar pueden y no pueden explicar sobre la percepción sonora.
Compatible con VoiceOver y TalkBack
Participar en la encuesta
(abre en nueva pestaña)
La pregunta central
¿Cómo influye el diseño del mapping en la información visual que sobrevive en la representación acústica?
Pregunta inicial (ARGIRA I–III): ¿Es Δ predecible a partir de características visuales? — Los experimentos mostraron que no. ARGIRA IV explica por qué.
Un mapa de lo que
no explica Δ
ARGIRA no es un modelo predictivo. Es un marco de eliminación representacional estructurada: una secuencia de experimentos diseñada para determinar qué clases de representación visual son insuficientes para capturar la diferencia perceptual entre mappings de sonificación.
El proyecto evalúa tres niveles jerárquicos de representación —estadísticas de bajo nivel, espacios de características expandidos y embeddings semánticos proxy— usando regresión lineal robusta y Random Forest con validación cruzada de 5 folds. El corpus incluye ~86 imágenes de dos colecciones visuales heterogéneas: pinturas postimpresionistas y fotografías de paisaje de museo.
La secuencia · Cómo los resultados negativos llevaron a la pregunta correcta
ARGIRA I–III
¿Predice la imagen a Δ?
Tres niveles de representación visual evaluados: bajo nivel · expandidas · semántico LLM.
R² < 0 en todos
ARGIRA IV
Δ oculta dos mappings distintos
OPRS y RTR modelados por separado revelan sensibilidades visuales opuestas.
OPRS R²=0.58 · RTR R²=0.25
ARGIRA V
Nuevo
Inversión de predictores
edge_density domina lo visual. hue_entropy domina lo acústico. n=391, 5 corpus.
ρ≈−0.10 ortogonalidad
Los resultados negativos no son un problema del programa — son su mecanismo. Serie completa · zenodo.20534327 ↗ (abre en nueva pestaña)
La correlación que
lo empezó todo
Al analizar 45 obras con la regla de conversión de Argira, emergió una correlación estadísticamente robusta entre la variabilidad cromática de una pintura y la complejidad sonora de su sonificación.
Esta correlación —r = 0.8869, R² = 0.8417, p < 0.001— no estaba diseñada. Surgió de los datos. Es la razón por la que el proyecto existe: el color parece estar relacionado con el sonido.
Pearson r = 0.8869 · R² = 0.8417 · p < 0.001 · N = 45 · Argira v3.5
hue_std (variabilidad de tono) → Ds (dimensión espectral / complejidad sonora)
16 obras mostradas · Correlación calculada sobre N = 45 obras (dataset completo) · Zenodo v10 (abre en nueva pestaña)
Esta correlación es el punto de partida, no la conclusión. La pregunta que abre es: ¿qué características visuales explican ese vínculo? Los experimentos 11–15 intentan responderla — y encuentran que las representaciones visuales estándar no son suficientes.
El museo sonoro argira.eus/argira-sonification/ permite escuchar esta correlación en acción: las 16 obras ordenadas de menor a mayor cromatismo, de Malevich a Kandinsky.
Antes de la pregunta,
el programa.
Los experimentos 11–15 no surgieron en el vacío. El proyecto acumuló durante meses un corpus de observaciones previas —pipelines, benchmarks, corpus de naturaleza, análisis de clustering— que establecieron los fenómenos a explicar y descartaron hipótesis tempranas. Estos depósitos son el suelo del que crece ARGIRA I–V.
Correlación fundacional
Chromatic variance & spectral roughness — Replication study (N=30)
Preprint v4. Corpus de 30 pinturas canónicas (15 artistas, 6 siglos).
Resultado principal: hue_std → roughness r = 0.687; con entropía de Shannon, R² = 0.732.
10.5281/zenodo.20364540 ↗
Robustez del mapping
Mapping Variants Series — Pipelines 10–13 · Scanline control (08)
Cinco variantes matemáticas (lineal, log, mel, estocástico, cuadrático) sobre 30 pinturas.
Resultado: la forma de la función hue→frecuencia no importa; el vínculo sí (r = 0.878–0.951).
El control scanline (pipeline 08, sin hue→frecuencia) da r = −0.116 — el vínculo es necesario.
Mecanismo
Sine Additive Pipeline — Harmonic vs. Non-Harmonic
Pipeline 09 (sinusoide pura, sin armónicos): r = +0.951 vs pipeline 07 (armónico): r = +0.687.
Las interacciones inter-armónicas oscurecen, no generan, el efecto.
10.5281/zenodo.20366185 ↗
Geometría espectral emergente
Emergent Corpus v1.0 — Spectral Geometry (N=14)
Regímenes espectrales separables sin reglas armónicas explícitas. Clustering 92.9% de acuerdo
con regímenes cromáticos (shuffle p < 0.005). Ds actúa como invariante estructural,
no como variable discriminativa.
10.5281/zenodo.20393823 ↗
Generalización a naturaleza
Nature Corpus v2 — Saturation as Predictor (N=21)
Fotografías de bosque y paisaje móvil. Saturación → harmonic count: r = 0.9644.
hue_std y fractal_D débiles en este corpus (r = 0.27 y 0.03). La saturación domina
en regímenes de baja varianza cromática.
10.5281/zenodo.20392520 ↗
Clustering no supervisado
Clustering Dataset v1 — 74 obras, k-means + PCA
k-means aisla espontáneamente a Rembrandt (claroscuro como firma acústica).
Starry Night: visualmente compleja, acústicamente de baja entropía — complejidad
rítmica, no aleatoria. Signac: outlier extremo (visual PC1 = 6.41).
10.5281/zenodo.20323085 ↗
Estabilidad metodológica
Experiment 6 — RTR & Bootstrap · Experiment 7 — Estabilidad OPRS · Experiment 8 — Sensibilidad de umbral
Jerarquía Naive > OPRS > RTR estable con 10.000 bootstraps. OPRS converge en N≈50 runs.
El orden visual–acústico es robusto en el rango de corte 1000–1750 Hz.
Generalización entre corpus
Experiment 9 — Generalization Across Independent Corpora
Naive generaliza a corpus independientes (r ≈ 0.54–0.62). RTR produce las correlaciones
más débiles. OPRS exhibe efecto dependiente del corpus. Base empírica para los
experimentos 11–15.
10.5281/zenodo.20516325 ↗
Paradoja & nota técnica
Stereo Width: Malevich vs. Kandinsky — La paradoja invertida
Malevich (casi monocromático) produce mayor anchura estéreo (W = 0.196) que Kandinsky
(W = 0.058). Demo interactiva Web Audio API. Invariante del pipeline confirmada en v1 y v3.
10.5281/zenodo.20353894 ↗
Límites formales del sistema
Cycle Closure Experiment — 74 obras, 3 capas epistemológicas
¿Puede reconstruirse la imagen a partir de su sonificación? No — y eso es un resultado
más fuerte de lo que parece. Capa A: centro de masa horizontal preservado con error < 0.05
(aplicación directa en accesibilidad). Capa B: correlaciones estructurales significativas
(local_contrast → freq r = 0.949, edge_density → effort r = 0.759). Capa C: inversión
imposible — los rangos de tempo no se solapan por diseño. ARGIRA es un sistema de
preservación estructural, no de inversión.
10.5281/zenodo.20322821 ↗
Análisis espectro-temporal
B_v9 — Spectro-Temporal Persistence, 72 obras, transición de régimen
2.160 observaciones banda-velocidad (6 bandas × 5 condiciones de velocidad 0.25×–1.50×).
Hallazgo central: inversión de signo en la banda 4–8 kHz (ρ = +0.973 → −0.022 al pasar
de 0.25× a 0.50×). Ninguna otra banda invierte signo. Robustez confirmada por 4 tests
independientes: invariancia ordinal, re-binning, jackknife, reparametrización.
Validación cruzada independiente: hue_std predice rugosidad residual con r = 0.8477.
El pipeline intermedio · El más descargado
Argira Pipeline v14 — N=47, r=0.9289 · 275 vistas · 140 descargas
Versión estable antes de la expansión a v17. Incluye test de permutaciones (N=1000),
experimentos Dv y tempo, analizador por lotes. Resultado negativo FFT 2D documentado.
El depósito más descargado del programa — punto de referencia empírica del corpus canónico.
10.5281/zenodo.20097327 ↗
Versión extendida post-envío
Argira Pipeline v16 · Dataset v17 (74 obras)
Versión extendida posterior al envío a ICAD 2026 (v16, N=47, r = 0.9289) y su
expansión independiente al corpus completo (v17, N=74, r = 0.9233). Validación
cruzada Sobel: r = 0.9570. Resultado negativo documentado: FFT 2D sin señal
diferencial. El envío real a ICAD 2026 fue la v10
(zenodo.18865019 (abre en nueva pestaña) ↗,
N=45, r = 0.8869).
El pipeline base
Argira Station v15 — Standalone analyzer, 6 métricas validadas
La versión canónica del pipeline: hue_std ↔ Ds r = 0.9289 (N=47, p < 0.001).
Irregularidad ↔ Sobel r = 0.9570. FFT 2D eliminada (resultado negativo documentado).
Dv ↔ Ds r = 0.0229 (no significativo — límite honesto del sistema). El depósito
más citado de todo el programa experimental.
10.5281/zenodo.20113356 ↗
La herramienta · Accesibilidad
Argira Sonification v23 — 4 dimensiones perceptuales, audio espacial
Hue → frecuencia · Saturación → timbre + amplitud · centroid.x → panorámica estéreo ·
centroid.y → registro. Correlación hue_std ↔ Ds = r = 0.9289 (N=47). Base de
todo el programa experimental posterior. Demo viva en
argira.eus/argira-sonification/
10.5281/zenodo.20234082 ↗
Feedback háptico · Accesibilidad táctil
B_v9 Dataset v2 — Módulo háptico · Umbral v* = k − m · hue_std
El dataset B_v9 v2 incluye el módulo de feedback háptico (client-side, sin servidor),
operativo en el analizador online. La ley del umbral Argira define v* en función de
hue_std: v* = 7800 − 12500 · hue_std. Para las 43 obras, todos los valores de v*
caen dentro del rango [4000, 8000] Hz. Correlación hue_std ↔ Ds: r = 0.9370 (N=43).
La háptica actúa como canal perceptual complementario al sonido para exploración táctil
de obras de arte.
Descripción hablada de imágenes · Accesibilidad visual
Argira Vision v0.5 — Descripción semántica hablada mediante Claude API
Prototipo de navegador que envía una imagen a la API de Claude (Haiku/Sonnet) y
lee la descripción en voz alta mediante síntesis de voz. Complementa el canal
sonoro del pipeline ARGIRA con un canal semántico: mientras ARGIRA traduce
estructura visual a frecuencia y timbre, Vision traduce semántica visual a lenguaje.
No es navegación en tiempo real — es exploración auditiva de contenido visual.
En desarrollo · experimental
10.5281/zenodo.18989327 (v0.5) ↗
Corpus adicionales: Dataset unificado 74 imágenes · zenodo.20402536 ↗ · Espacio A=f(H,S,I) · zenodo.20388416 ↗ · Dataset B_v9 (43 obras, umbral v*) · zenodo.20357570 ↗
Experimentos 11 – 15
Tres niveles.
El mismo resultado.
Features expandidas + PCA
Histogramas HSV, filtros Laws, estadísticas por cuadrante, Sobel (~209 features).
R² CV ≈ 0.10 · Marginal e inestable
Embedding semántico proxy
Matriz de similitud visual 47×47. El nivel de representación más alto evaluado.
R² CV = −0.337 · Régimen de ruido
Δ no puede modelarse de forma robusta mediante las representaciones visuales evaluadas.
Aumentar la complejidad representacional —de estadísticas básicas a espacios expandidos a embeddings semánticos— no mejora de forma consistente la predicción de Δ. ARGIRA IV sugiere que esta limitación surge porque Δ combina dos mappings con sensibilidades visuales distintas, ocultando estructuras predictivas que emergen cuando cada mapping se analiza por separado.
ARGIRA II · zenodo.20526610 (abre en nueva pestaña) ↗
ARGIRA III · zenodo.20526682 (abre en nueva pestaña) ↗
| Nivel | Mejor R² CV | Estado |
|---|---|---|
| Bajo nivel Exp 11–13 |
Sin señal | |
| Medio nivel Exp 14 |
Marginal | |
| Semántico Exp 15 |
Sin señal |
Resumen del estudio
~86
Corpus inicial
47–72
Muestra válida final
11–15
Experimentos
3
Modelos evaluados
Ridge · Huber · RF
5-fold
Validación cruzada
0.10
Mejor R² CV
No generaliza
De la divergencia perceptual
a la asimetría estructural
ARGIRA IV reexamina los resultados negativos de las fases anteriores desde una perspectiva diferente. En lugar de modelar directamente Δ como variable objetivo, analiza por separado los dos mappings que la componen: OPRS y RTR. Este cambio metodológico revela una asimetría estructural previamente oculta.
Modelado independiente de mappings — ARGIRA IV
Hallazgo principal · ARGIRA IV
Los resultados negativos de ARGIRA I–III no indican ausencia de relaciones imagen-sonido.
La dificultad surge al modelar directamente una variable compuesta (Δ) que combina dos transformaciones con sensibilidades distintas y parcialmente opuestas. Cuando ambos mappings se estudian por separado, emergen estructuras predictivas claramente diferenciadas.
Implicaciones
Los algoritmos de sonificación
no son traductores neutros
Cada mapping selecciona, preserva y descarta diferentes propiedades de la imagen. La elección del mapping determina qué aspectos de la obra sobreviven en la representación acústica.
01
Diseño de sistemas de sonificación
La elección del mapping no es neutral: determina qué estructura visual se transmite acústicamente.
02
Accesibilidad visual
Implicaciones directas para el diseño de herramientas para personas con discapacidad visual.
03
Interfaces multimodales
Fundamento empírico para el diseño de sistemas imagen-sonido con fidelidad perceptual.
04
Museos y exploración auditiva
Herramientas para la exploración auditiva de obras visuales en contextos museísticos.
Inversión de predictores
entre dominios
ARGIRA V investiga si las mismas variables visuales predicen la rugosidad en dominios visuales y acústicos. El estudio combina cinco corpus visuales independientes (n=319 imágenes) y un corpus acústico (n=72 sonificaciones), con 391 casos analizados en total.
Dominio visual
edge_density
ρ = 0.49–0.84
Predictor dominante estable en corpus A–D
lum_contrast: secundario (ρ = 0.56–0.74)
lum_contrast: secundario (ρ = 0.56–0.74)
Inversión
Dominio acústico
hue_entropy
ρ = 0.595
Predictor dominante en corpus acústico (n=72)
edge_density aquí: secundario (ρ = 0.428)
edge_density aquí: secundario (ρ = 0.428)
Corpus total
391
5 corpus visuales + 1 acústico
Ortogonalidad
ρ ≈ −0.10
edge_density ↔ hue_entropy (casi ortogonales)
Regímenes
3
Cromático · Grayscale-collapse · High-edge
Implicación arquitectural
Los resultados apoyan una arquitectura de sonificación multicapa donde la información estructural (edge_density) y la información cromática (hue_entropy) deben representarse de forma independiente, ya que contribuyen información no redundante a dominios de rugosidad distintos.
El giro conceptual · ARGIRA V
La pregunta ya no es ¿qué sonido produce una imagen?
Sino: ¿qué aspecto de la imagen quiero que el usuario perciba mediante el sonido?
Marco conceptual
Un mapping es una
hipótesis perceptual
ARGIRA IV revela que cada algoritmo de sonificación no traduce una imagen: selecciona qué dimensión visual merece sobrevivir en el sonido. Esta selección no es técnica, es epistemológica. El diseñador del mapping decide —implícitamente— qué es la imagen para el oyente.
De este principio se deriva una consecuencia directa: no existe una única sonificación correcta de una imagen. Existen tantas sonificaciones válidas como propiedades visuales se consideren relevantes comunicar.
Espacio de mappings posibles · Teóricamente infinito
| Propiedad visual | Mapping posible | Lo que percibe el usuario |
|---|---|---|
| Color (Hue) | hue → frecuencia | Clima cromático |
| Saturación | saturación → amplitud | Intensidad emocional |
| Brillo | luminancia → pitch | Claridad / oscuridad |
| Bordes | edge density → rugosidad | Geometría |
| Textura | roughness → modulación | Relieve |
| Simetría | symmetry → consonancia | Orden |
| Entropía | entropy → ruido espectral | Complejidad |
| Contraste | contrast → rango dinámico | Tensión |
| Profundidad | depth → reverberación | Espacio |
| Movimiento | optical flow → tempo | Dinamismo |
ARGIRA explora actualmente: hue, entropía cromática, rugosidad espacial.
Taxonomía propuesta
Cuatro tipos de
filtro perceptual
A partir de los resultados de ARGIRA IV, es posible esbozar una primera clasificación de mappings según el tipo de propiedad visual que priorizan y la experiencia perceptual que generan en el oyente.
ARGIRA IV · zenodo.20530682 (abre en nueva pestaña) ↗
Tipo I
Estructurales
Preservan forma
Transmiten la geometría de la imagen: bordes, contornos, orientación, composición. El oyente puede «sentir» la estructura visual.
Ejemplos:
OPRS · edge sonification · contour tracking
Objetivo: sentir la geometría
Tipo II
Cromáticos
Preservan color
Traducen la paleta de la imagen en dimensiones acústicas. Hue, saturación y brillo como tres canales independientes de información cromática.
Ejemplos:
RTR · hue→frequency · color harmony
Objetivo: sentir la paleta
Tipo III
Topológicos
Preservan organización espacial
Mapean la posición en la imagen al espacio acústico. Posición X al paneo, posición Y a la altura tonal. El oyente navega la imagen como un territorio.
Ejemplos:
Modo «Tocar» de Argira · spatial audio scanning
Objetivo: navegar la imagen
Tipo IV
Expresivos
Preservan emoción o atmósfera
Transmiten el carácter emocional o expresivo de la imagen. No una propiedad medible, sino la sensación que genera.
Ejemplos:
Pendiente de definición empírica
Objetivo: sentir el carácter
De estudiar una correlación a proponer una teoría del diseño de mappings.
Si este resultado se consolida con más mappings, ARGIRA podría pasar de analizar Δ como variable estadística a proponer un marco teórico para el diseño de mappings en accesibilidad multimodal — una contribución considerablemente más amplia que explicar una diferencia perceptual entre dos algoritmos.
Lo que el cerebro recibe
No «el sonido de la imagen».
Una interpretación acústica de una propiedad concreta de la imagen.
OPRS → estructura · rugosidad · textura
RTR → atmósfera · color · distribución cromática
RTR → atmósfera · color · distribución cromática
ARGIRA V publicado.
El programa continúa.
La inversión de predictores entre dominios (edge_density visual / hue_entropy acústico) abre preguntas que el proyecto aún no ha abordado. Cada una es una dirección de investigación independiente.
ARGIRA V · zenodo.20534328 (abre en nueva pestaña) ↗
→
Evaluación de mappings adicionales
¿Replican otros mappings el patrón estructural de OPRS, el cromático de RTR, o revelan sensibilidades nuevas?
→
Comparación sistemática entre tipos de mapping
Contraste empírico entre mappings estructurales y cromáticos sobre el mismo corpus. Validación de la taxonomía propuesta.
→
Estudios perceptuales con usuarios
¿Perciben los oyentes la diferencia entre mappings estructurales y cromáticos sin instrucción previa? ¿Qué información recuperan de cada tipo?
→
Aplicaciones en accesibilidad visual
Diseño de sistemas de sonificación para personas con discapacidad visual, basado en la selección deliberada del tipo de información visual a transmitir.
→
Evaluación mediante embeddings multimodales profundos
CLIP y modelos similares como representaciones de orden superior. Pendiente desde ARGIRA III.
→
Diseño y validación de sistemas multicapa
Arquitecturas donde múltiples mappings operan simultáneamente sobre canales acústicos independientes. La imagen como orquesta.
Fase 3 · Validación perceptual
¿Puedes distinguir las sonificaciones
de dos imágenes de distinta variabilidad cromática?
La encuesta ARGIRA es un test de escucha de 3 minutos. Se presentan dos obras distintas, cada una con su propia sonificación, y se pide elegir cuál suena más compleja / con más variabilidad cromática. Sin conocimiento previo requerido. Para cualquier oyente, con o sin discapacidad visual.
Los datos son anónimos y se publicarán en abierto en Zenodo bajo CC BY-NC 4.0.
Participar
(abre en nueva pestaña)
~3 minutos
Sin registro
Sin registro
El programa ARGIRA
en una página
Un proyecto de investigación en sonificación que evalúa sistemáticamente qué clases de representación visual pueden — y no pueden — predecir la diferencia perceptual entre mappings acústicos. Cinco estudios, todos con acceso abierto en Zenodo.
Pregunta de investigación
¿Cómo influye el diseño del mapping en la información visual que sobrevive en la representación acústica? ¿Qué características visuales predicen la diferencia perceptual Δ = OPRS − RTR?
Corpus y método
~86 imágenes (pinturas postimpresionistas + fotografías de museo). Regresión Ridge y Random Forest con CV-5 folds. Tres niveles de representación visual evaluados de forma jerárquica. Todos los materiales reproducibles en Zenodo.
| Estudio | Pregunta | Resultado | DOI |
|---|---|---|---|
| ARGIRA I | Features de bajo nivel (8 variables) — Exp 11 | R² CV < 0 | 20524644 ↗ (abre en nueva pestaña) |
| ARGIRA II | Features expandidas con PCA (209 variables) — Exp 11–15 | R² CV ≈ 0.10 | 20526610 ↗ (abre en nueva pestaña) |
| ARGIRA III | Descriptores semánticos LLM — Claude Haiku, n=72 | R² CV = −0.162 | 20526682 ↗ (abre en nueva pestaña) |
| ARGIRA IV | OPRS y RTR modelados por separado — asimetría estructural | OPRS R²=0.582 RTR R²=0.086 |
20530682 ↗ (abre en nueva pestaña) |
| ARGIRA V | Inversión de predictores cross-corpus — n=391, 5 corpus visuales + 1 acústico | edge_density ≠ hue_entropy ρ≈−0.10 |
20534328 ↗ (abre en nueva pestaña) |
Hallazgo central
Δ no puede modelarse de forma robusta mediante las representaciones visuales evaluadas. ARGIRA IV revela por qué: OPRS y RTR preservan propiedades visuales estructuralmente distintas. ARGIRA V confirma que la asimetría generaliza entre dominios y corpus.
Citar como
Ranero García, J. (2026). ARGIRA: Sonificación y Métricas Perceptuales
(Serie completa I–V). Zenodo.
doi.org/10.5281/zenodo.20534327 ↗ (abre en nueva pestaña)
ICAD 2026 · Poster #4302 · Barcelona · Jul 2026
Acceso abierto
a todos los materiales
V
10.5281/zenodo.20534328
IV
10.5281/zenodo.20530682
III
10.5281/zenodo.20526682
II
10.5281/zenodo.20526610
I
10.5281/zenodo.20524644
ARGIRA V: Cross-Corpus Evidence for Predictor Inversion in Visual-to-Acoustic Mapping
Nuevo
ARGIRA (IV): Structural Asymmetry in Sonification Mappings
ARGIRA (III): Systematic Representational Failure — LLM Semantic Descriptors Cannot Predict Perceptual Sonification Divergence
From Correlation to Failure: Limits of Visual Feature Spaces in Predicting Perceptual Sonification Differences
Visual Predictors of Acoustic Perceptual Distance in Image Sonification
Corpus previo · Experimentos 1–10
E10
10.5281/zenodo.20364540
E9
10.5281/zenodo.20516325
E8
10.5281/zenodo.20513550
E7
10.5281/zenodo.20513415
E6
10.5281/zenodo.20513340
EC
10.5281/zenodo.20393823
NC
10.5281/zenodo.20392520
CL
10.5281/zenodo.20323085
MV
10.5281/zenodo.20366726
SA
10.5281/zenodo.20366185
TN
10.5281/zenodo.20353894
Chromatic variance and spectral roughness in image sonification — Replication study (N=30)
Experiment 9 — Generalization of Hue Dispersion–Roughness Across Independent Corpora
Experiment 8 — Robustness of Visual–Acoustic Correspondence Across Roughness Thresholds
Experiment 7 — Stability of OPRS Under Repeated Random Sampling
Experiment 6 — RTR, Bootstrap Analysis and the Role of Relative Order
Emergent Corpus v1.0 — Spectral Geometry from Minimal Hue→Frequency Sonification
Nature Corpus v2 — Saturation as Predictor of Emergent Harmonic Count (N=21)
Clustering Dataset v1 — Unsupervised Sonic Grouping Across 74 Artworks
Mapping Variants Series — Pipelines 10–13 (log, mel, estocástico, cuadrático)
Sine Additive Pipeline — Harmonic vs. Non-Harmonic Comparison
Stereo Width: Malevich vs. Kandinsky — La paradoja de complejidad invertida
Infraestructura · Software y corpus fundacionales
B9
10.5281/zenodo.20266242
B9D
10.5281/zenodo.20258314
CC
10.5281/zenodo.20322821
D17
10.5281/zenodo.20126917
P16
10.5281/zenodo.20123821
S15
10.5281/zenodo.20113356
v23
10.5281/zenodo.20234082
v14
10.5281/zenodo.20097327
B9v2
10.5281/zenodo.20357570
Vis
10.5281/zenodo.18989327
Web
10.5281/zenodo.20538987
v15
10.5281/zenodo.20113356
v16
10.5281/zenodo.20123821
v17
10.5281/zenodo.20126917
08
10.5281/zenodo.20366040
v18
10.5281/zenodo.20133939
v19
10.5281/zenodo.20135805
v20
10.5281/zenodo.20155401
v21
10.5281/zenodo.20157205
ARGIRA B_v9 — Spectro-Temporal Analysis of Sonified Visual Art (72 artworks)
ARGIRA B_v9 Dataset — Structural Persistence Across Spectro-Temporal Transformations
Cycle Closure Experiment — Geometric Invariants for Sonified Visual Art (74 artworks)
Argira Dataset v17 — 74 obras · hue_std → Ds r = 0.9233
Argira Sonification Pipeline v16 — N=47, r=0.9289 (extended, not peer-reviewed)
Argira Station v15 — Standalone Analyzer (6 métricas validadas)
Argira Sonification Analyzer v23 — Spatial audio · centroid.x → pan · centroid.y → registro
Argira Pipeline v14 — Dataset N=47, r=0.9289
ARGIRA B_v9 Dataset v2 — Umbral v* y módulo háptico client-side (43 obras)
Argira Vision v0.5 — Descripción semántica hablada de imágenes (Claude API)
ARGIRA Investiga — Página de investigación interactiva del proyecto (v1.0)
Argira Station v15 — Standalone analyzer, 6 métricas validadas
Argira Sonification Pipeline v16 — Versión extendida (N=47, r=0.9289)
Argira Dataset v17 — 74 obras, r = 0.9233
Argira Scanline Pipeline v2 — Control sin hue→frecuencia
Argira Sonification Analyzer v18 — Versión modular, filtro high-shelf
Argira Sonification Analyzer v19 — Control de velocidad (lupa temporal)
Argira Sonification Analyzer v20 — Sonificación táctil del color, modo noche
Argira Sonification Analyzer v21 — Anuncio de posición espacial (cuadrícula 3×3)