Il y a une étrange asymétrie dans ce que les spectateurs pardonnent. Une mise au point un peu douce, un mur beige, une image un rien trop sombre — rien de tout cela ne fait fuir personne, et les commentaires n’en parlent jamais. Le son, c’est autre chose. Personne ne revoit une vidéo parce que l’audio était propre, mais tout le monde s’en va quand il ne l’est pas, et presque personne ne sait dire pourquoi. La raison est simple : une mauvaise image est un jugement esthétique, un mauvais son est une expérience physique. L’oreille de l’auditeur accomplit un travail continu et inconscient pour extraire une voix de ce qui l’entoure, et un enregistrement non traité rend ce travail plus dur à chaque seconde. Le spectateur ne pense pas au mot ronflement et ne remarque pas le bruit de fond. Il ressent deux minutes d’effort léger, les enregistre comme de l’ennui, et s’en va. Voilà pourquoi l’audio est la minute au plus fort levier de tout export : il décide du temps de visionnage, et il ne touche jamais ni les louanges ni les reproches.
Le premier échec est le ronflement — la couche grave sous une voix, déposée là par la circulation trois rues plus loin, par la climatisation, par le réfrigérateur derrière le mur, par le bureau sur lequel le téléphone est posé. Sur un haut-parleur de téléphone, il est presque inaudible, et c’est exactement pour cela qu’il survit à la relecture ; au casque ou en voiture, c’est une pression plus qu’un son. Il fait deux sortes de dégâts. Il mange la réserve de niveau, si bien que tout l’export se retrouve plus bas qu’il ne pourrait l’être, et chaque étape ultérieure — le traitement de la plateforme, le volume de l’auditeur — part d’une position pire. Et il travaille l’auditeur directement : une bande grave continue sous la parole est une chose que l’oreille essaie sans cesse de classer comme signifiante sans y parvenir, une petite question irrésolue posée soixante fois par seconde. Personne ne l’entend consciemment. Tout le monde la mélange inconsciemment à son impression de la vidéo, où elle refait surface sous la forme ça fait amateur, je ne sais pas pourquoi — et le je ne sais pas pourquoi fait tout le travail.
Le deuxième échec habite les silences. Entre les phrases, quand la voix s’arrête, la pièce remonte : souffle, rue, ventilateur de l’ordinateur, tout ce que le micro ignorait poliment pendant que vous parliez. L’enregistrement respire — voix, fond, voix, fond — et l’oreille de l’auditeur, construite pour suivre exactement ce genre de changement, le suit. Chaque silence est une petite révélation : on entend la pièce où la personne est réellement assise, puis de nouveau la personne, puis la pièce. En deux minutes, ce rythme devient un signal à part entière, une seconde présence qui respire derrière la voix — et c’est précisément la différence que l’oreille enregistre entre une vidéo produite et une vidéo simplement enregistrée. Le plus cruel : plus votre diction devient douce — l’aparté intime, la pause tenue pour l’effet —, plus la révélation est forte, parce que les pauses sont exactement la scène où le fond se produit. Les meilleurs instincts dramatiques d’un orateur sont les meilleurs moments du bruit de fond.
Le troisième échec est la dérive. Les voix ne tiennent pas leur niveau : vous attaquez une section avec force puis vous vous éteignez, vous vous reculez pour réfléchir puis revenez plus près, vous prenez confiance et montez. Sur une seule prise, le niveau vagabonde plus qu’on ne le croirait, et l’auditeur le paie de la façon la plus littérale qui soit — en pilotant son volume, ou en tendant l’oreille dans les passages faibles après avoir réglé le volume sur les forts. Chaque phrase arrachée est une petite sortie ; chaque geste vers le volume, une plus grande. La dérive est aussi l’échec que les plateformes punissent le plus directement, parce que les fils se consomment en écouteurs dans les trains et sur haut-parleurs de téléphone dans les cuisines — des environnements sans la moindre réserve dynamique. La solution traditionnelle est un compresseur, et le résultat traditionnel du débutant est le pompage — le niveau qui serre et relâche audiblement à chaque phrase, échangeant un problème honnête contre un artefact évident. Ce dont une voix a besoin est plus lent et plus doux : une main posée sur le fader, pas une pince.
Talk2Camera replie les trois remèdes dans un seul interrupteur d’export appelé Studio sound. Un filtre coupe-bas retire le ronflement sous la voix. Une porte douce abaisse le fond dans les silences entre les phrases — abaisse, sans faire taire, parce qu’un silence de néant numérique sonne pire qu’une pièce calme. Un niveleur lent égalise la dérive comme le ferait un ingénieur au fader, et les trois sont réglés pour que rien ne pompe : le traitement est fait pour être inattribuable, un son simplement meilleur qui n’annonce pas ce qui lui est arrivé. Les prises à deux intervenants gardent une piste audio par personne, chacune avec son niveau indépendant, si bien qu’un invité discret et un hôte sonore cessent d’être un seul compromis insoluble. Et tout cela ne s’applique qu’à l’export. L’enregistrement en dessous reste intact — la même prise peut sortir brute demain, ou passer par d’autres choix le mois prochain, parce que le fichier dans lequel vous avez joué n’est jamais le fichier qui est traité.
L’habitude qui fait tenir tout cela coûte une minute : avant de publier, écoutez une fois sur le pire haut-parleur que vous possédez — le téléphone, tenu à bout de bras, dans une cuisine. Les problèmes d’image se cachent sur les petits écrans ; les problèmes de son se cachent dans les bons casques, et le haut-parleur du téléphone est l’endroit où l’export vivra réellement. Ce que vous écoutez, ce n’est pas la qualité mais l’effort : suivre la voix en demande-t-il ? Si oui, les spectateurs paieront cet effort avec leur attention, facturé en silence, et régleront la note en partant plus tôt. L’asymétrie du début fonctionne aussi dans l’autre sens, et c’est la partie encourageante : parce que personne ne remarque le son, personne ne le crédite — et une vidéo parlée qui s’écoute sans effort paraît simplement meilleure que sa concurrence, d’une façon que ni le spectateur ni la concurrence ne savent nommer. L’image ramasse les compliments. L’audio ramasse le temps de visionnage.