POC · generazione artistica da discorso
Salvata in localStorage del browser, non trasmessa altrove
Scrivi qualsiasi model ID OpenAI — lista modelli ↗
JPEG è 3-4× più piccolo di PNG, trasferimento più rapido
Limiti visivi — sempre applicati
Elementi che il modello non includerà mai nell'immagine, indipendentemente dal contenuto del discorso.
✓ Trascrizione completata — rivedi il testo qui sotto
L'AI ha dedotto stile, palette e composizione dal contenuto del discorso.
Analisi del discorso
Nota curatoriale · interpretazione AI
Caricamento…
Questo POC non è una mappa arbitraria di discorso → immagine. Si basa su decenni di ricerca su come il linguaggio e le emozioni si traducono sistematicamente in proprietà visive.
Il cervello umano mappa sistematicamente proprietà sonore e linguistiche su proprietà visive: toni alti → colori chiari e forme appuntite, toni bassi → scuro e rotondo. Il "bouba-kiki effect" dimostra queste corrispondenze pre-linguistiche. L'AI operazionalizza lo stesso principio: analizza il tono emotivo del discorso e lo traduce in proprietà visive corrispondenti.
Kandinskij teorizzò che colori e forme portano risonanza emotiva intrinseca: giallo = calore/energia, blu = profondità/spiritualità, forme angolari = tensione, curve = armonia. Questo framework è il precursore diretto del mapping emozione → scelta visiva che il sistema implementa.
Osgood dimostrò che il significato di qualsiasi concetto si può misurare su tre dimensioni: Valenza (positivo/negativo), Potenza (forte/debole), Attività (attivo/passivo). Queste stesse dimensioni si mappano su proprietà visive: alta attività → composizione dinamica e diagonale; alta potenza → forme bold e saturazione elevata. Il modello stima queste dimensioni dalla semantica del discorso.
"Su" è positivo, "giù" è negativo. "Caldo" è emotivo, "freddo" è distante. Lakoff & Johnson dimostrarono che i concetti astratti sono compresi attraverso metafore spaziali e fisiche radicate nel corpo. Il modello identifica queste metafore nel testo e le traduce in metafore visive corrispondenti nella composizione.
Russell mappò le emozioni su due dimensioni: arousal (calmo↔eccitato) e valenza (negativo↔positivo). Palmer & Schloss collegarono empiricamente colori specifici a posizioni in questo spazio: rabbia → rosso (alta arousal, negativa), tristezza → blu scuro (bassa arousal, negativa), gioia → giallo (alta arousal, positiva). Il sistema posiziona il discorso nello spazio di Russell e sceglie la palette di conseguenza.
CLIP ha dimostrato sperimentalmente che rappresentazioni testuali e visive vivono in uno spazio semantico condiviso: concetti linguistici si allineano con proprietà visive in modo misurabile. Stable Diffusion e DALL-E operazionalizzano questo principio. Il nostro sistema sfrutta questa capacità per tradurre la semantica di un discorso in proprietà visive coerenti.
Questi framework convergono su un principio: il contenuto semantico ed emotivo del linguaggio determina sistematicamente le proprietà visive ottimali per rappresentarlo. Il sistema non "sceglie a caso" — applica mapping fondati su 60+ anni di ricerca in psicologia cognitiva, neuroscienze e semiotica visiva. La novità è operazionalizzare questo tramite LLM + generazione diffusionale, chiudendo il loop tra analisi del linguaggio e sintesi visiva in tempo reale.