W tym, co widzowie wybaczają, kryje się dziwna asymetria. Lekko miękka ostrość, beżowa ściana, kadr odrobinę za ciemny — nic z tego nikogo nie odstrasza, a komentarze nigdy o tym nie wspominają. Z dźwiękiem jest inaczej. Nikt nie ogląda filmu ponownie dlatego, że audio było czyste, ale wszyscy wychodzą, kiedy czyste nie jest, i prawie nikt nie umie powiedzieć dlaczego. Powód jest taki, że zły obraz to osąd estetyczny, a zły dźwięk to doświadczenie fizyczne: ucho słuchacza wykonuje ciągłą, nieświadomą pracę, żeby wydobyć głos z tego, co go otacza, a nieobrobione nagranie czyni tę pracę z każdą sekundą cięższą. Widz nie myśli słowem dudnienie i nie zauważa szumu tła. Czuje dwie minuty lekkiego wysiłku, księguje je jako nudę i wychodzi. Właśnie dlatego audio to minuta o największej dźwigni w każdym eksporcie: decyduje o czasie oglądania, a nigdy nie odbiera ani pochwał, ani winy.
Pierwszą porażką jest dudnienie — niskoczęstotliwościowa warstwa pod głosem, podłożona tam przez ruch uliczny trzy przecznice dalej, przez klimatyzację, przez lodówkę za ścianą, przez biurko, na którym leży telefon. Na głośniku telefonu jest prawie niesłyszalne i dokładnie dlatego przeżywa odsłuch; na słuchawkach albo w samochodzie jest bardziej ciśnieniem niż dźwiękiem. Wyrządza dwa rodzaje szkód. Zjada zapas poziomu, przez co cały eksport siedzi ciszej, niż mógłby, a każdy późniejszy etap — obróbka platformy, głośność słuchacza — startuje z gorszej pozycji. I działa na słuchacza bezpośrednio: ciągłe niskie pasmo pod mową to coś, co ucho raz za razem próbuje zaklasyfikować jako znaczące i nie potrafi — małe nierozwiązane pytanie zadawane sześćdziesiąt razy na sekundę. Nikt nie słyszy go świadomie. Wszyscy nieświadomie wmieszają je we wrażenie z filmu, gdzie wypływa jako to brzmi jakoś amatorsko — a całą robotę wykonuje właśnie owo jakoś.
Druga porażka mieszka w przerwach. Między frazami, gdy głos milknie, pokój się podnosi: syk, ulica, wentylator komputera, wszystko to, co mikrofon uprzejmie ignorował, póki mówiłeś. Nagranie oddycha — głos, tło, głos, tło — a ucho słuchacza, zbudowane do śledzenia dokładnie takich zmian, je śledzi. Każda przerwa to małe odsłonięcie: słychać pokój, w którym mówiący naprawdę siedzi, potem znowu mówiącego, potem pokój. W ciągu dwóch minut ten rytm staje się osobnym sygnałem, drugą obecnością oddychającą za głosem — i to jest dokładnie ta różnica, którą ucho rejestruje między filmem wyprodukowanym a jedynie nagranym. Okrutne jest to, że im ciszej mówisz — poufna dygresja, pauza trzymana dla efektu — tym głośniejsze odsłonięcie, bo pauzy to dokładnie scena, na której występuje tło. Najlepsze dramatyczne instynkty mówcy to najlepsze momenty szumu tła.
Trzecią porażką jest dryf. Głosy nie trzymają poziomu: zaczynasz sekcję mocno i gaśniesz, odchylasz się, żeby pomyśleć, i wracasz bliżej, nabierasz pewności i idziesz w górę. W obrębie jednego ujęcia poziom wędruje bardziej, niż byś uwierzył, a słuchacz płaci za to w najdosłowniejszy możliwy sposób — jeżdżąc swoim pokrętłem głośności albo wytężając słuch w cichych fragmentach po tym, jak ustawił głośność pod głośne. Każde zdanie zdobyte wysiłkiem to małe wyjście; każdy ruch ręki do głośności — większe. Dryf to także porażka, którą platformy karzą najbardziej bezpośrednio, bo feedy słucha się przez pchełki w pociągach i głośniki telefonów w kuchniach — w środowiskach bez żadnego zapasu dynamiki. Tradycyjną naprawą jest kompresor, a tradycyjnym wynikiem początkującego jest pompowanie — poziom słyszalnie zaciska się i puszcza z każdą frazą, wymieniając uczciwy problem na oczywisty artefakt. To, czego głos potrzebuje, jest wolniejsze i łagodniejsze: dłoń spoczywająca na tłumiku, nie zacisk.
Talk2Camera składa te trzy naprawy w jeden przełącznik eksportu o nazwie Studio sound. Filtr górnoprzepustowy zabiera dudnienie spod głosu. Łagodna bramka obniża tło w przerwach między frazami — obniża, nie wycisza, bo przerwa z cyfrowej nicości brzmi gorzej niż cichy pokój. Powolny wyrównywacz prostuje dryf tak, jak zrobiłby to realizator prowadzący tłumik, a wszystkie trzy są zestrojone tak, żeby nic nie pompowało: obróbka ma być nieprzypisywalna — dźwięk po prostu lepszy, który nie ogłasza, co mu się przydarzyło. Ujęcia z dwiema osobami prowadzącymi zachowują po jednej ścieżce audio na osobę, każdą z własnym, niezależnym poziomem, więc cichy gość i nośny gospodarz przestają być jednym nienaprawialnym kompromisem. I wszystko to dotyczy wyłącznie eksportu. Nagranie pod spodem pozostaje nietknięte — ten sam take może jutro wyjść bez obróbki albo za miesiąc przez inne wybory, bo plik, do którego grałeś, nigdy nie jest plikiem, który się przetwarza.
Nawyk, dzięki któremu to wszystko działa, kosztuje minutę: przed publikacją posłuchaj raz na najgorszym głośniku, jaki masz — na telefonie, trzymanym na wyciągnięcie ręki, w kuchni. Problemy z obrazem chowają się na małych ekranach; problemy z dźwiękiem chowają się w dobrych słuchawkach, a głośnik telefonu to miejsce, w którym eksport naprawdę będzie żył. Nasłuchujesz nie jakości, lecz wysiłku: czy podążanie za głosem jakiegoś wymaga? Jeśli tak, widzowie zapłacą ten wysiłek swoją uwagą, zafakturowany po cichu, i uregulują rachunek, wychodząc wcześniej. Asymetria z początku działa też w drugą stronę i to jest ta pokrzepiająca część: skoro nikt nie zauważa dźwięku, nikt go nie docenia — a mówione wideo, którego słucha się bez wysiłku, po prostu wydaje się lepsze od konkurencji w sposób, którego ani widz, ani konkurencja nie umieją nazwać. Obraz zbiera komplementy. Dźwięk zbiera czas oglądania.