Música sob um vídeo falado fracassa de um jeito específico e previsível. Você escolhe uma faixa, ajusta o volume para a introdução parecer viva e aperta exportar — e o vídeo pronto é uma briga. Não porque a música seja ruim, mas porque um nível constante é o formato errado para a fala. Uma voz não é constante: sobe rumo a um arremate, cai no fim da frase, some por completo enquanto você respira. Uma cama musical presa a uma única altura fica alta demais sempre que você fala baixo e baixa demais no instante em que você se cala, então o ouvido do espectador renegocia sem parar qual som seguir. Pior: voz e música moram no mesmo lugar. Os instrumentos que deixam uma faixa quente — violões, teclados, cordas, quase todas as vozes cantadas — ocupam as mesmas poucas oitavas da fala humana; os dois não se empilham, se mascaram. Abaixar a faixa inteira não resolve; só muda a briga para um volume menor, e as pausas agora parecem vazias em vez de musicadas. O problema não é o nível. É que o nível nunca muda.
O rádio e a televisão resolveram isso há décadas, com uma mão no fader. Escute com atenção qualquer documentário bem-feito: a música nunca está num volume só. Alguém na mesa a conduz — bem para baixo sob a primeira palavra da fala, segurada ali enquanto a voz continua, trazida de volta nas pausas que são pausas de verdade, as que separam seções e não palavras. O ouvinte nunca percebe os movimentos, e é aí que mora o ofício: as rampas são lentas o bastante para serem invisíveis, uma fração de segundo de deslize em vez de um tranco. O efeito é exatamente o que o nome inglês promete — a música se abaixa, ducks, como se abaixa uma pessoa parada entre você e um palco quando a peça começa. O que o ouvinte experimenta não é “a música ficou mais baixa”, e sim “a voz é importante”. Bem feito, o ducking não é truque técnico, é uma declaração de prioridade, emitida continuamente, sessenta vezes por vídeo, sem um único pensamento consciente da plateia. Feito à mão, é também uma tarde de trabalho por vídeo — e é para isso que existe a automação.
Automação feita de modo grosseiro tem o próprio modo de falhar, e ele tem nome: bombeamento. Um ducker ingênuo segue a voz ao pé da letra. Todo vão na fala, por menor que seja, é lido como silêncio, então a música incha entre as suas palavras e despenca na sílaba seguinte — sobe, desce, sobe, desce, no compasso da sua respiração. A faixa deixa de ser uma cama e vira um batimento, e o ouvinte, que não saberia dizer o que está errado, sabe que algo está. O conserto é uma distinção que a versão grosseira perde: nem todo vão é pausa. O espaço entre duas palavras não é pausa; o tempo em que você puxa o ar no meio da frase também não. Uma pausa de verdade — o fim de um pensamento, uma fronteira de seção, o segundo de silêncio deliberado antes de um argumento — é longa o bastante para que a volta da música signifique alguma coisa. A regra que separa o bom ducking do bombeamento é, portanto, simples de enunciar: vãos mais curtos que uma respiração precisam continuar abaixados. Só quando o silêncio é longo o bastante para ser intencional é que a cama pode voltar a subir.
O editor do Talk2Camera traz essa regra embutida. Coloque uma faixa de música sob a edição, ligue o ducking, e a mixagem se conduz sozinha: enquanto você fala, a música desce para cerca de um quarto do nível que você definiu para ela, e nas pausas reais volta a subir, com rampas de mais ou menos um terço de segundo para que os movimentos deslizem em vez de dar tranco. Vãos mais curtos que uma respiração continuam abaixados, então a cama nunca bombeia no ritmo do seu fraseado. O que conta como “enquanto você fala” vem do próprio take: no iPhone, da transcrição do take; no Android, da análise do áudio do próprio take — o que significa que funciona mesmo quando você gravou sem roteiro e não há texto em que se apoiar. E, como tudo o que vive na cadeia de exportação, é uma decisão, não um compromisso: a gravação original permanece intocada, então você pode exportar com ducking para o tutorial, sem ele para o corte de trailer, ou trocar a música inteira, tudo a partir do mesmo take.
As decisões restantes são suas, e são musicais mais do que técnicas. Ajuste o nível da faixa para as pausas, não para a fala — da fala o ducking cuida; o nível que você escolhe é o que o espectador ouve quando você para de falar, e é aí que uma cama alta demais se entrega. Prefira música que possa se dar ao luxo de ser fundo: instrumental em vez de cantada, porque uma segunda voz sob a sua é o mascaramento na pior forma; estável em vez de dramática, porque uma faixa cheia de crescendos briga com o trabalho honesto do ducker usando efeitos teatrais próprios. Depois ouça o resultado uma vez de olhos fechados. Se você consegue acompanhar cada palavra sem esforço e ainda assim percebe, nas pausas, que o vídeo tem um clima, a mixagem está certa. Se você percebe a música enquanto fala, ela está alta demais no nível definido; se as pausas parecem vazias, baixa demais. Uma passada desse teste costuma bastar — o que, ao lado de uma tarde conduzindo fader à mão, é o argumento inteiro.