Co kilka lat przychodzi pomysł na montaż z doczepioną obietnicą reklamową, a obietnica montażu tekstowego brzmi: oś czasu jest skończona — przewijanie materiału będzie niedługo wyglądać tak, jak dziś wygląda przewijanie kasety. Montażyści od osi czasu odwzajemniają się, traktując montaż tekstowy jak zabawkę dla ludzi, którzy nigdy nie nauczyli się prawdziwego narzędzia. Oba obozy kłócą się o niewłaściwą rzecz. Te dwa widoki nie są rywalizującymi odpowiedziami na jedno pytanie; są odpowiedziami na różne pytania, a zwyczajny montaż wideo z mówiącą do kamery osobą zadaje oba rodzaje, zanim będzie gotowy. Użyteczna umiejętność to nie lojalność wobec jednego widoku. To wiedza, na które pytanie w danej chwili odpowiadasz — bo pytanie o znaczenie rozstrzygane na osi czasu marnuje popołudnie, a pytania o klatki w tekście nie da się rozstrzygnąć wcale. Rozłóż swój montaż na te dwie kupki, a większość sporu się rozpłynie. Zostanie sposób pracy, i to spokojny: każdy widok robi to, w czym ten drugi jest słaby, w kolejności, która — jak się okaże — ma znaczenie.
Zacznij od tego, do czego oś czasu naprawdę służy, bo ta lista jest dłuższa, niż przyznaje reklama tekstu. Gdzie zaczyna się wideo? Nagranie zaczyna się od tego, że sięgasz do przycisku i układasz twarz; pierwsze słowo pada półtorej sekundy później, a wybranie dokładnej klatki otwarcia to decyzja o klatkach, nie o słowach. Transkrypcja nie ma na to słownika — nie pokaże Ci mrugnięcia, ręki wychodzącej z kadru, pół sekundy, w której uśmiech siada na miejscu. To samo dotyczy ściągania bez usuwania: dwa dobre zdania rozdzielone oddechem o jedno tempo za długim, gdzie poprawka polega na skróceniu przerwy o dziesięć klatek, a nie na skasowaniu czegokolwiek, co transkrypcja umiałaby nazwać. I dotyczy dźwięku: szew, który trafia czysto w spółgłoskę, oddech wyciszony zamiast ucięty, buczenie widoczne na wykresie fali i nigdy w słowach. To pytania o czas i o dźwięk. Oś czasu nie jest dla nich zabytkowym interfejsem; jest właściwym instrumentem i nim pozostanie. Żaden tekst tej listy nie przejmie: do rzeczy, które nie są słowami, potrzebne jest narzędzie, które słowami nie jest.
A teraz pytania, do których służy tekst. Zdanie po prostu złe — spartaczone pierwsze podejście, liczba poprawiona chwilę później — to problem znaczenia, a szukanie go przewijaniem to archeologia: przekopujesz warstwy szarej fali w poszukiwaniu czegoś, co oko rozpoznałoby natychmiast. Dygresja, która wydawała się warta drogi, a nie była; wtrącenie, które stępia mocny argument tuż przed lądowaniem; akapit, w którym powiedziałeś to samo dwa razy, a druga wersja jest lepsza — to decyzje montażowe tego rodzaju, jaki podejmuje redaktor prozy, i najlepiej podejmuje się je tak, jak redaguje się prozę: czytając. W tekście każda z nich kosztuje jedno przeczytanie i jedno stuknięcie. Głębszy efekt to jednak nie szybkość, lecz pokrycie. W tempie czytania ważysz każde zdanie ujęcia, tak jak ważysz każde zdanie szkicu; w tempie przewijania naprawiasz tylko to, co było na tyle katastrofalne, że zostało w pamięci. Montaż tekstowy nie tylko znajduje cięcia szybciej. Znajduje cięcia, których oś czasu nigdy by nie wyniosła na powierzchnię. Różnica przypomina tę między szukaniem literówek przez lupę na wydruku a włączeniem sprawdzania pisowni: nie chodzi o to, że lupa jest za wolna, tylko o to, że przy dziesiątym akapicie człowiek po prostu przestaje patrzeć.
W Talk2Camera ten wybór nie jest rozłączny, bo oba widoki edytują jedną wspólną listę cięć. Karta Transkrypcja wyświetla ujęcie jako zdania do stuknięcia — na iPhonie i iPadzie transkrybowane na urządzeniu, na Androidzie wzięte ze scenariusza, z którego ujęcie było czytane, rozmieszczonego w czasie przez teleprompter, kiedy mówiłeś. Stuknij zdanie, wytnij je, a ten odcinek wideo znika z montażu; zdanie zostaje widoczne, przekreślone, i wraca po jednym stuknięciu. Przełącz się na oś czasu, a to samo cięcie po prostu tam jest — przerwa, którą możesz obejrzeć i odtworzyć — a przycięcia, które robisz na osi czasu, decyzje na poziomie klatki o tym, gdzie coś się zaczyna i kończy, należą do tego samego jednego montażu, który pokazuje Ci transkrypcja. Każda zmiana, od wyciętego zdania przez przyciętą krawędź po automatycznie usunięte pauzy, ląduje na jednej liście do przejrzenia, gdzie każdą pozycję można cofnąć osobno. A pod oboma widokami sam plik nagrania nigdy nie jest modyfikowany. Nie ma eksportu z jednego trybu do drugiego, nie ma punktu bez powrotu — są dwa okna na ten sam zbiór decyzji.
Ten kształt podpowiada kolejność pracy i warto się jej trzymać. Najpierw zrób przejście tekstowe. Przeczytaj ujęcie, wytnij zdania, które nie powinny istnieć, i rób to bez oglądania się na szwy — nie ma sensu polerować klatek zdania, które zaraz skasujesz. Potem przejdź osią czasu po tym, co przetrwało: ustaw klatkę otwarcia, ściągnij oddech między dwoma zdaniami, które teraz sąsiadują, sprawdź szwy zostawione przez przejście tekstowe i popraw ten, który strzela. Pierwsze przejście to montaż jako pisanie; drugie to montaż jako rzemiosło. Dziesięć minut każdego z nich pobije godzinę któregokolwiek osobno, bo każde przejście mierzy się tylko z pytaniami, do których jest wyposażone. Obozy będą się kłócić dalej, bo obietnica reklamowa potrzebuje wroga. Ale montaż mówiącego człowieka jest jednocześnie tekstem i materiałem filmowym — a gdy raz popracujesz w ten sposób, wyda się zupełnie oczywiste, że montuje się go jako jedno i drugie. Spór można spokojnie zostawić targowym stoiskom; Tobie z całej tej wojny zostaje po prostu krótszy wieczór.