Muzyka pod mówionym wideo zawodzi w konkretny, przewidywalny sposób. Wybierasz utwór, ustawiasz głośność tak, żeby intro brzmiało żywo, i wciskasz eksport — a gotowe wideo jest jedną wielką szarpaniną. Nie dlatego, że muzyka jest zła, tylko dlatego, że stały poziom to zły kształt dla mowy. Głos nie jest stały: wznosi się ku puencie, opada na końcu zdania, znika całkiem, kiedy bierzesz oddech. Ma dynamikę, a dynamika jest częścią znaczenia. Podkład trzymany na jednej wysokości jest za głośny zawsze, gdy mówisz cicho, i za cichy w chwili, gdy milkniesz, więc ucho widza bez przerwy negocjuje od nowa, za którym dźwiękiem ma podążać. Co gorsza, głos i muzyka mieszkają w tym samym miejscu. Instrumenty, które dają utworowi ciepło — gitary, klawisze, smyczki, większość śpiewanych głosów — zajmują te same kilka oktaw co ludzka mowa; te dwie rzeczy się nie sumują, one się maskują. Widz nie słyszy wtedy dwóch warstw, słyszy jedną, zabłoconą. Ściszenie całego utworu niczego nie rozwiązuje; przenosi tylko walkę na niższą głośność, a pauzy robią się teraz puste, zamiast być umuzycznione. Problemem nie jest poziom. Problemem jest to, że poziom nigdy się nie zmienia.
Radio i telewizja rozwiązały to dziesiątki lat temu — ręką na suwaku. Posłuchaj uważnie dowolnego dobrze zrobionego dokumentu: muzyka nigdy nie stoi na jednej głośności. Ktoś przy konsolecie ją prowadzi — wyraźnie w dół pod pierwszym słowem mowy, przytrzymaną tam, dopóki głos trwa, podniesioną z powrotem w pauzach, które naprawdę są pauzami: tych między sekcjami, a nie między słowami. Słuchacz nigdy nie zauważa tych ruchów i właśnie na tym polega rzemiosło: rampy są na tyle powolne, że stają się niewidzialne — ułamek sekundy łagodnego ześlizgu zamiast szarpnięcia. Efekt jest dokładnie tym, co obiecuje angielska nazwa — muzyka się uchyla, robi unik, jak człowiek stojący między Tobą a sceną kuca, kiedy zaczyna się przedstawienie. Nikt nie patrzy na kucającego; wszyscy patrzą na scenę. Słuchacz nie przeżywa tego jako „muzyka przycichła”, tylko jako „głos jest ważny”. Dobrze zrobiony ducking nie jest sztuczką techniczną, lecz deklaracją pierwszeństwa, składaną bez przerwy, sześćdziesiąt razy na wideo, bez jednej świadomej myśli publiczności. Robiony ręcznie jest też popołudniem pracy przy każdym filmie — i właśnie po to istnieje automatyka.
Automatyka zrobiona topornie ma własny tryb awarii i ten tryb ma nazwę: pompowanie. Naiwny ducker podąża za głosem zbyt dosłownie. Każdą lukę w mowie, choćby najmniejszą, czyta jako ciszę, więc muzyka wzbiera między Twoimi słowami i wali w dół przy następnej sylabie — góra, dół, góra, dół, w rytm Twojego oddechu. Utwór przestaje być podkładem i staje się tętnem, a słuchacz, który nie umiałby powiedzieć, co jest nie tak, wie, że coś jest. To rodzaj błędu, który słychać brzuchem, nie uchem. Lekarstwem jest rozróżnienie, które toporna wersja gubi: nie każda luka jest pauzą. Odstęp między dwoma słowami nie jest pauzą; moment, w którym w środku zdania nabierasz powietrza, też nie. Prawdziwa pauza — koniec myśli, granica sekcji, celowa sekunda ciszy przed puentą — jest na tyle długa, że powrót muzyki coś znaczy. Zasada oddzielająca dobry ducking od pompowania daje się więc wypowiedzieć prosto: luki krótsze niż oddech muszą zostać ściszone. Dopiero gdy cisza jest na tyle długa, żeby być zamierzona, podkład ma prawo wrócić do góry.
Edytor Talk2Camera ma tę zasadę wbudowaną. Połóż ścieżkę muzyczną pod montażem, włącz ducking, a miks prowadzi się sam: kiedy mówisz, muzyka schodzi do mniej więcej jednej czwartej poziomu, który jej ustawisz, a w prawdziwych pauzach wraca do góry, z rampami około jednej trzeciej sekundy, żeby ruchy się ześlizgiwały, a nie szarpały. Luki krótsze niż oddech zostają ściszone, więc podkład nigdy nie pompuje w rytm Twojego frazowania. To, co liczy się jako „kiedy mówisz”, pochodzi z samego ujęcia: na iPhonie z transkrypcji ujęcia, na Androidzie z analizy dźwięku samego ujęcia — co oznacza, że działa nawet wtedy, gdy nagrywasz bez scenariusza i nie ma żadnego tekstu, na którym można się oprzeć. I jak wszystko, co żyje w łańcuchu eksportu, jest to decyzja, a nie zobowiązanie: oryginalne nagranie pozostaje nietknięte, więc możesz wyeksportować z duckingiem do poradnika, bez niego do zwiastuna, albo wymienić muzykę w całości — wszystko z tego samego ujęcia. Jeden materiał, wiele decyzji, i to w tej kolejności.
Pozostałe decyzje należą do Ciebie i są muzyczne, a nie techniczne. Ustaw poziom utworu pod pauzy, nie pod mowę — mową zajmie się ducking; poziom, który wybierasz, to poziom, który widz słyszy, kiedy przestajesz mówić, i to właśnie tam zdradza się za głośny podkład. Wybieraj muzykę, którą stać na bycie tłem: instrumentalną zamiast śpiewanej, bo drugi głos pod Twoim to maskowanie w najgorszym wydaniu; równą zamiast dramatycznej, bo utwór pełen narastań walczy z uczciwą robotą duckera własnymi teatralnymi efektami. Potem odsłuchaj całość raz z zamkniętymi oczami. Jeśli możesz bez wysiłku podążać za każdym słowem, a w pauzach wciąż czuć, że wideo ma nastrój, miks jest właściwy. Jeśli zauważasz muzykę w trakcie mówienia, jest za głośna na ustawionym poziomie; jeśli pauzy wydają się puste — za cicha. Uszy męczą się szybciej niż oczy, więc zaufaj pierwszemu wrażeniu. Jedno przejście tego testu zwykle wystarcza — co, obok popołudnia z suwakiem prowadzonym ręcznie, jest całym argumentem.