Musik unter Sprache absenken, ohne dass sie pumpt

Musik unter einem Sprechervideo scheitert auf eine bestimmte, vorhersagbare Weise. Du suchst einen Track aus, stellst die Lautstärke so ein, dass das Intro lebendig wirkt, und drückst auf Export — und das fertige Video ist ein Kampf. Nicht weil die Musik schlecht wäre, sondern weil ein konstanter Pegel die falsche Form für Sprache ist. Eine Stimme ist nicht konstant: Sie steigt auf eine Pointe zu, fällt am Satzende ab, verschwindet ganz, während du atmest. Ein Musikbett auf einer festen Höhe ist zu laut, sobald du leise sprichst, und zu leise in dem Moment, in dem du aufhörst — das Ohr des Zuschauers verhandelt also unentwegt neu, welchem Klang es folgen soll. Schlimmer noch: Stimme und Musik wohnen am selben Ort. Die Instrumente, die einen Track warm klingen lassen — Gitarren, Keyboards, Streicher, die meisten Gesangsstimmen —, besetzen dieselben paar Oktaven wie menschliche Sprache; die beiden stapeln sich nicht, sie verdecken einander. Den ganzen Track leiser zu drehen löst das nicht; es verlegt den Kampf nur auf eine niedrigere Lautstärke, und die Pausen fühlen sich jetzt leer an statt vertont. Das Problem ist nicht der Pegel. Das Problem ist, dass der Pegel sich nie ändert.

Der Rundfunk hat das vor Jahrzehnten gelöst, mit einer Hand am Regler. Hör einer gut gemachten Doku oder einem Radiofeature genau zu: Die Musik steht nie auf einer Lautstärke. Jemand am Pult fährt sie — ein gutes Stück hinunter unter das erste Wort der Sprache, dort gehalten, solange die Stimme weiterläuft, wieder hochgeholt in den Pausen, die wirklich Pausen sind: die zwischen Abschnitten, nicht die zwischen Wörtern. Der Hörer bemerkt die Bewegungen nie, und genau das ist das Handwerk: Die Rampen sind langsam genug, um unsichtbar zu sein, ein Sekundenbruchteil des Gleitens statt eines Schnappens. Der Effekt ist genau das, was der englische Name Ducking verspricht — die Musik duckt sich, wie sich ein Mensch zwischen dir und einer Bühne duckt, wenn das Stück beginnt. Was der Hörer erlebt, ist nicht „die Musik wurde leiser“, sondern „die Stimme ist wichtig“. Gut gemacht ist Ducking kein technischer Trick, sondern eine Prioritätserklärung, kontinuierlich abgegeben, sechzigmal pro Video, ohne einen einzigen bewussten Gedanken des Publikums. Von Hand gemacht ist es außerdem ein Nachmittag Arbeit pro Video — und genau dafür gibt es die Automatik.

Grob gebaute Automatik hat ihre eigene Versagensart, und die hat einen Namen: Pumpen. Ein naiver Ducker folgt der Stimme zu wörtlich. Jede Lücke in der Sprache, wie klein auch immer, wird als Stille gelesen, also schwillt die Musik zwischen deinen Wörtern hoch und knallt bei der nächsten Silbe wieder hinunter — hoch, runter, hoch, runter, im Takt deines Atems. Der Track hört auf, ein Bett zu sein, und wird ein Herzschlag, und der Hörer, der dir nicht sagen könnte, was falsch ist, weiß, dass etwas falsch ist. Die Lösung ist eine Unterscheidung, die die grobe Version verpasst: Nicht jede Lücke ist eine Pause. Der Raum zwischen zwei Wörtern ist keine Pause; der Schlag, in dem du mitten im Satz Luft holst, auch nicht. Eine echte Pause — das Ende eines Gedankens, eine Abschnittsgrenze, die absichtliche Sekunde Stille vor einer Pointe — ist lang genug, dass die Rückkehr der Musik etwas bedeutet. Die Regel, die gutes Ducking vom Pumpen trennt, ist darum einfach auszusprechen: Lücken, die kürzer sind als ein Atemzug, müssen abgesenkt bleiben. Erst wenn die Stille lang genug ist, um Absicht zu sein, darf das Bett wieder hoch.

Der Editor von Talk2Camera hat diese Regel eingebaut. Leg einen Musiktrack unter den Schnitt, schalte Ducking ein, und die Mischung fährt sich selbst: Während du sprichst, senkt sich die Musik auf etwa ein Viertel des Pegels ab, den du für sie eingestellt hast, und in echten Pausen kommt sie zurück — mit Rampen von rund einer Drittelsekunde, damit die Bewegungen gleiten statt schnappen. Lücken, die kürzer sind als ein Atemzug, bleiben abgesenkt, das Bett pumpt also nie im Takt deiner Phrasierung. Was als „während du sprichst“ zählt, kommt aus dem Take selbst: auf dem iPhone aus der Transkription des Takes, auf Android aus der Analyse des eigenen Audios des Takes — was heißt, dass es auch funktioniert, wenn du ohne Skript aufgenommen hast und kein Text da ist, an den man sich lehnen könnte. Und wie alles in der Export-Kette ist es eine Entscheidung, keine Festlegung: Die Originalaufnahme bleibt unberührt, du kannst denselben Take also mit Ducking für das Tutorial exportieren, ohne für den Trailer-Schnitt, oder die Musik komplett tauschen.

Die übrigen Entscheidungen gehören dir, und sie sind musikalisch, nicht technisch. Stell den Pegel des Tracks für die Pausen ein, nicht für die Sprache — die Sprache übernimmt das Ducking; der Pegel, den du wählst, ist der Pegel, den der Zuschauer hört, wenn du aufhörst zu reden, und genau dort verrät sich ein zu lautes Bett. Bevorzuge Musik, die es sich leisten kann, Hintergrund zu sein: instrumental statt gesungen, denn eine zweite Stimme unter deiner ist Verdeckung in ihrer schlimmsten Form; gleichmäßig statt dramatisch, denn ein Track voller Steigerungen kämpft mit eigenen Theatereffekten gegen die ehrliche Arbeit des Duckers. Dann hör dir das Ergebnis einmal mit geschlossenen Augen an. Kannst du jedem Wort mühelos folgen und merkst in den Pausen trotzdem, dass das Video eine Stimmung hat, stimmt die Mischung. Bemerkst du die Musik, während du sprichst, ist sie auf ihrem eingestellten Pegel zu laut; fühlen sich die Pausen leer an, zu leise. Ein Durchlauf dieses Tests genügt meistens — was, neben einem Nachmittag Reglerfahren von Hand, das ganze Argument ist.