Naja, es scheint mir hier weniger um das finden einer irgendwo einheitlichen Formel zu gehen, sondern mehr um der verteidigen der eigenen Ideologie.
Aus meiner Sicht sind Formanten, Rauheit und Muster der Harmonischen das, was man am ehesten mit Graustufen, Trennschaerfe und Farben vergleichen kann, was rein von der Komposition her eine zu bewaeltigende Anzahl von Parametern darstellt und im Gehirn von der Wahrnehmung her als Elementar betrachtet werden kann. Wobei Vergleiche dieser Art immer hinken, auch wenn die Verarbeitung der Eindrucke im Gehirn aehnlich ablaufen wird, sind die Beziehungen bei der Einordnung der akustischen Parameter im Vergleich zu den genannten Visuellen eher fliessend zu sehen.
Ob man dabei versucht die Komposition als einzelnen Klang, also ganzheitlich zu manipulieren oder in einzelne Noten und Einzelklaenge zerlegt, macht aus meiner Sicht keinen echten Unterschied, denn letztendlich wird es vom Ergebnis einzig durch die geaenderte Arbeitsweise einen Unterschied machen.
Was man bei dem oben genannten Bild vs. Klangereignis probieren koennte, waere ein "Komposition", die z.B. beim bewegen des Kopfes zwei- oder sogar dreidimensional veraendert/durchlaufen wird. Verschiedene Melodien/Klangveraenderungen, abhaengig von der Kopfpostion und Bewegungsgeschwindigkeit (schaut man nur auf einen Punkt entsteht ein statischer Klang, Bewegung erzeugt veraenderung) abspielt. Was letztendlich mit dem visuellen Eindruck vergleichbar waere, weil wir ein Bild auch nie als ganzes wahrnehmen, sondern die vom Auge gelieferten und relativ kleinen Teilbilder erst im Kopf zusammensetzen. Das koennte man natuerlich auch irgendwo kombinieren, z.B im Cyberspace, eine von der Augenbewegung gesteuerte und zur raeumlichen Komposition passendes Klangereigenis liefern. Ok, das waere dann vielleicht eher sowas wie 'ne Installation fuer die Ars Electronica...