Muzyka pod mową ma w radiu i telewizji swoją nazwę zawodową — podkład, muzyczne łóżko — i ta nazwa jest jednocześnie opisem stanowiska. Podkład to jest to, na czym leży głos. Nie jest tym, na co się patrzy, a w chwili, w której staje się tym, czego się słucha, poniósł porażkę w jedynym zadaniu, jakie miał. W wideo z mówieniem podkład wykonuje trzy ciche prace. Daje całości podłogę energii, żeby pauza w mówieniu nie otwierała się na ciszę i nie czyniła nagle słyszalnym całego pokoju. Niesie ciągłość przez cięcia, żeby dwa ujęcia nagrane w odstępie godziny sprawiały wrażenie jednej sesji. I ustawia temperaturę — to samo zdanie brzmi pewnie, tęsknie albo naglącająco w zależności od tego, co leży pod spodem. Test na to, czy podkład wykonał swoją robotę, jest zupełnie pozbawiony blasku: poproś potem widza, żeby go zanucił. Jeśli potrafi, muzyka konkurowała; jeśli pamięta, że muzyka była, ale nie odtworzy ani jednego taktu, podkład się zachował. Nie piszesz muzyki do filmu. Tapicerujesz głos.
To, co przeżywa pod mową, prawie nigdy nie jest tym, co samo w sobie brzmi najlepiej. Utwory, które działają, są oszczędne — mało instrumentów, powietrze między nutami, aranżacje, które się powtarzają i niewiele się rozwijają, bo rozwój przyciąga uwagę, a uwaga to jedyny budżet, którym głos nie może się z nikim dzielić. Wokal to najwyraźniejsze wykluczenie: dwa głosy wypowiadające różne słowa wciągają układ językowy słuchacza w przeciąganie liny, i nawet dalekie chórki albo pocięty sampel wokalny zostawią widza z poczuciem, że coś go ominęło. Tempo działa subtelniej. Podkład wyraźnie szybszy od Twojego naturalnego rytmu mówienia sprawia, że brzmisz, jakbyś nie nadążał za własnym wideo, a taki, który się wlecze, ściąga w dół energię żwawego tłumaczenia. Nie trzeba dopasowywać uderzeń na minutę do słów na minutę; trzeba, żeby muzyka sprawiała wrażenie, że idzie Twoim krokiem. Instrumentalny, powtarzalny, cierpliwy — cechy, które na imprezie czyniłyby utwór nudnym, to dokładnie te cechy, które czynią go zatrudnialnym pod głosem.
Tam, gdzie podkłady zawodzą, rzadko chodzi o samą głośność; chodzi o teren. Mówiący głos mieszka w wąskim paśmie — jego ciężar siedzi nisko, mniej więcej tam, gdzie siedzi wiolonczela, a jego zrozumiałość, te spółgłoski, po których słuchacz odróżnia jedno słowo od drugiego, mieszka kilka oktaw wyżej, w strefie obecności. Utwór, którego aktywność skupia się na tym samym środkowym terytorium, bije się z głosem o te same metry kwadratowe i żadne ustawienie suwaka tego w pełni nie naprawi: ściszony na tyle, żeby przestał maskować, znika; podgłośniony na tyle, żeby było go słychać, rozmazuje słowa. Dlatego rytmicznie szarpana gitara akustyczna, gęste plamy syntezatora i zapracowane pianino — podstawowy asortyment każdej biblioteki bez tantiem — to najgorsi sprawcy, i dlatego na przesłuchaniu wypadają tak niewinnie: solo brzmią ciepło właśnie dlatego, że są bogate w środku pasma. Z głosem współistnieje to, co mieszka nad nim i pod nim — linia basu, stopa, talerze hi-hat, powietrzne dzwonki, rzadkie wysokie szarpnięcia strun. Wybieraj, słuchając środka pasma przy własnej mowie puszczonej równolegle, a nie po tym, jak utwór czuje się sam.
Potem przychodzi dyscyplina, a jest to przede wszystkim dyscyplina powściągliwości. Ustaw podkład ciszej, niż podpowiada poczucie słuszności — wyraźnie ciszej, bo Twoje ucho, dumne z wybranego utworu, chce go słyszeć, a widz nie ma takiej lojalności. Sprawdź miks na najgorszym głośniku, jaki posiadasz, czyli na telefonie w Twojej dłoni: małe przetworniki wyolbrzymiają dokładnie tę kolizję środka pasma, której próbujesz uniknąć. Trzymaj poziom stały przez cały materiał, zamiast poprawiać go scena po scenie, bo wędrujący podkład czyta się jako błąd nawet wtedy, gdy każdy poziom był wybrany celowo. I zwróć uwagę na to, co dzieje się na krawędziach mowy. Kiedy mówisz, muzyka musi być głęboko na dole; kiedy naprawdę przestajesz — zmiana sekcji, zatrzymane spojrzenie — powinna wrócić do góry i przez chwilę ponieść całość. W telewizji ten ruch był pracą człowieka: operator siedział z ręką na suwaku, ściągał muzykę w dół, gdy prowadzący brał wdech, i wpuszczał ją z powrotem w przerwach. Co rodzi praktyczne pytanie dla każdego, kto pracuje sam: kto prowadzi suwak?
W Talk2Camera odpowiedź brzmi: ten ruch jest zautomatyzowany, a wybór pozostaje Twój. Dołączasz utwór i ustawiasz jego poziom — jedna linia, jedna decyzja. Z włączonym duckingiem podkład opada do mniej więcej jednej czwartej tego poziomu, ilekroć mówisz, i wraca do góry w prawdziwych pauzach, z rampami trwającymi około jednej trzeciej sekundy, więc ten ruch jest oddechem, a nie szarpnięciem. Przerwy długości oddechu, wewnątrz zdań, pozostają ściszone — podkład nie wystrzeliwuje w górę między frazami, żeby zaraz znów nurkować; właśnie to pompowanie zdradza automatyczne miksy. Dopiero pauzy na tyle długie, żeby były strukturą, pozwalają muzyce się podnieść. Wszystko to dzieje się przy eksporcie, jak reszta wykańczającego przebiegu aplikacji: samo nagranie pozostaje nietknięte, możesz więc wyeksportować ponownie z innym utworem, innym poziomem albo zupełnie bez podkładu, a głos — oczyszczony po drodze przez studyjne brzmienie — jest jedynym elementem, którego nigdy nie trzeba będzie wykonywać od nowa. Podkład to kostium. Nagranie pod spodem pozostaje Twoje. Tego rodzaju spokoju trudno nie docenić: raz ustawiona linia i włączony ducking pracują w tle każdego kolejnego eksportu, a Ty wracasz do jedynej rzeczy, której żaden automat za Ciebie nie zrobi — do wyboru utworu, który naprawdę pasuje do tego, co masz do powiedzenia.