Dokładnie wiesz, w którym momencie ujęcie się sypie, bo jesteś przy tym, kiedy to się dzieje. Zdanie wychodzi na opak, liczba jest błędna, wyjaśnienie odpływa w bok i trzeba je ściągać z powrotem — zauważasz to, mówisz dalej i obiecujesz sobie, że wytniesz to później. Właśnie od tego „później” zaczyna się kłopot. W programie do montażu wszystko, co wiedziałeś w chwili błędu, już nie istnieje, a zamiast tego masz przed sobą wykres fali: szarą gąsienicę głośności, która wygląda dokładnie tak samo przy Twoim najlepszym zdaniu i przy najgorszym. Wykres fali pokazuje dźwięk, nie znaczenie. A materiał z mówiącą do kamery twarzą nie daje oku nic innego do nawigacji — jedna twarz, jeden kadr, to samo światło przez czterdzieści minut. Więc przewijasz. Odtwarzasz fragment, słuchasz, przeskakujesz za daleko, cofasz się, słuchasz jeszcze raz. Polujesz uchem na coś, co oko znalazłoby w dwie sekundy, gdyby stało na stronie. A przecież dziś rano, kiedy to pisałeś, stało na stronie. Cała wiedza potrzebna do cięcia istniała już wtedy; zgubił ją dopiero format, w którym przyszło Ci jej potem szukać.
Dlatego najwolniejszą częścią montażu wideo mówionego do kamery wcale nie jest decydowanie, co wyciąć. Decyzje w większości zapadły, zanim usiadłeś do pracy: tamto zdanie, tamta dygresja, drugie podejście do linijki o cenach. Wolne jest odnajdywanie tych decyzji na nowo. Materiał i narzędzie nie mówią tym samym językiem: nagrałeś język, a oś czasu mierzy czas. Myślisz zdaniami; ona podsuwa Ci sekundy. Każde cięcie zaczyna się więc od szukania, przechodzi w ustawianie — dwa znaczniki, postawione starannie, poprawiane dwa razy — i kończy się sprawdzaniem, odtworzonym przez sam szew, żeby żadne słowo nie straciło końcówki. Żaden z tych kroków nie jest trudny. W zwykłym ujęciu jest ich po prostu piętnaście, a szukanie przygniata decydowanie. Sześć minut nagrania zamienia się w godzinę montażu, i gdybyś prowadził uczciwy dziennik tej godziny, większość wpisów brzmiałaby dokładnie tak samo: szukam miejsca, które przecież od początku znałem. Na dobitkę to szukanie niczego nie uczy: godzina spędzona na tropieniu dzisiejszego złego zdania ani trochę nie przyspieszy znalezienia jutrzejszego, bo każde ujęcie to nowa szara taśma bez zakładek, a pamięć dokładnego miejsca wyparowuje w chwili zamknięcia projektu.
A teraz połóż przed sobą to samo ujęcie jako tekst. W edytorze Talk2Camera karta Transkrypcja wyświetla ujęcie jako listę zdań — do stuknięcia, po kolei, jak stronę, za którą chowają się kody czasowe. Czytasz ujęcie, zamiast je przeszukiwać. Odpływające wyjaśnienie to trzy linijki, którym możesz patrzeć na ręce, kiedy odpływają. Nieudane pierwsze podejście do linijki o cenach stoi tuż nad drugim, tym trafionym, i porównujesz je jak dwie wersje szkicu — bo dokładnie tym one są. Stuknij zdanie, którego nie powinno tam być, wytnij je, a ten odcinek wideo znika z montażu. To cała operacja. Znalezienie złego zdania trwa teraz tyle, co jego przeczytanie — czyli nic — a godzina polowania zwija się do dziesięciu minut decydowania, którymi po cichu zawsze była. Umiejętność, o którą to wszystko prosi, nie jest montażem w żadnym technicznym sensie. To korekta tekstu, z jedną różnicą: każde skreślone zdanie zabiera ze sobą swój kawałek materiału.
Pracę w tym tempie czyni bezpieczną to, że nic tu nie jest ostateczne. Wycięte zdanie nie znika; zostaje w transkrypcji, przekreślone, i wraca po jednym stuknięciu, jeśli zmienisz zdanie. Każde Twoje cięcie ląduje na tej samej liście do przejrzenia co pauzy, które aplikacja usuwa automatycznie — jedno miejsce pokazuje wszystko, co montaż zamierza opuścić, każdą pozycję można cofnąć osobno, cisze i zdania stoją obok siebie. A pod spodem leży gwarancja: sam plik nagrania nigdy nie jest modyfikowany. Montaż to zbiór decyzji o ujęciu, a nie operacja na nim wykonywana — możesz mylić się we wtorek i mieć rację w czwartek, zupełnie za darmo. Ta gwarancja zmienia zachowanie mocniej, niż brzmi. Słabe zdania rzadko zostają w filmie dlatego, że nie dało się ich znaleźć; zostają, bo cięcie wydaje się nieodwracalne, więc tłuszczyk trwa jako polisa na wszelki wypadek. Zrób każde cięcie możliwym do przejrzenia i cofnięcia, a polisa przestaje być potrzebna. Wypada to, co wypaść powinno. A gotowy film robi się ciaśniejszy nie dlatego, że stałeś się surowszy, tylko dlatego, że surowość przestała cokolwiek kosztować.
Skąd biorą się te zdania? Na iPhonie i iPadzie transkrypcja działa na urządzeniu: ujęcie zamienia się w tekst prosto na telefonie, a słowa nigdy go nie opuszczają. Na Androidzie zdania pochodzą z miejsca jeszcze bardziej bezpośredniego — ze scenariusza, z którego ujęcie było czytane, rozmieszczonego w czasie przez teleprompter, kiedy mówiłeś. Działa to w ujęciach nagranych z teleprompterem, a stamtąd w praktyce i tak bierze się wideo mówione ze scenariusza. Jest w tym przyjemna symetria: strona napisana rano jest stroną montowaną wieczorem, te same zdania w tej samej kolejności, tyle że każde niesie teraz ze sobą swój odcinek materiału. Montaż przez przewijanie wymaga, żebyś wyrobił sobie ucho do własnych potknięć i wyczucie do szarej gąsienicy dźwięku. Montaż jako tekst wymaga umiejętności, którą masz od szkoły podstawowej. Czytasz to, co powiedziałeś, i skreślasz to, co nie powinno było zostać powiedziane — a wideo, po cichu, idzie za stroną. Trudno o prostszą definicję montażu — i trudno o taką, która mniej przypominałaby pracę.