Há uma assimetria estranha no que os espectadores perdoam. Um foco levemente macio, uma parede bege, um quadro um pouco escuro demais — nada disso afasta ninguém, e os comentários nunca mencionam. Som é diferente. Ninguém reassiste a um vídeo porque o áudio estava limpo, mas todo mundo vai embora quando não está, e quase ninguém sabe dizer por quê. A razão é que imagem ruim é um julgamento estético, enquanto som ruim é uma experiência física: o ouvido de quem escuta faz um trabalho contínuo e inconsciente para extrair uma voz do que a cerca, e uma gravação sem tratamento torna esse trabalho mais duro a cada segundo. O espectador não pensa a palavra ronco e não percebe o ruído de fundo. Ele sente dois minutos de esforço leve, registra como tédio, e vai embora. É por isso que o áudio é o minuto de maior alavanca de qualquer exportação: ele decide o tempo de exibição, e nunca recebe nem o crédito nem a culpa.
A primeira falha é o ronco — a camada grave debaixo de uma voz, posta ali pelo trânsito de três ruas adiante, pelo ar-condicionado, pela geladeira do outro lado da parede, pela mesa em que o telefone está apoiado. No alto-falante de um telefone ele é quase inaudível, e é exatamente por isso que sobrevive à revisão; em fones ou no carro, é mais uma pressão do que um som. Ele causa dois tipos de dano. Come a folga de nível, então a exportação inteira fica mais baixa do que poderia, e cada etapa seguinte — o processamento da plataforma, o volume do ouvinte — parte de uma posição pior. E trabalha diretamente sobre quem escuta: uma faixa grave contínua debaixo da fala é algo que o ouvido tenta arquivar como significativo repetidas vezes sem conseguir, uma pequena pergunta sem resposta feita sessenta vezes por segundo. Ninguém a ouve conscientemente. Todos a misturam, inconscientemente, à impressão que têm do vídeo, onde ela aflora como isso soa amador, não sei por quê — e o não sei por quê faz todo o trabalho.
A segunda falha mora nos vãos. Entre as frases, quando a voz para, a sala sobe: chiado, rua, o ventilador do computador, tudo o que o microfone ignorava educadamente enquanto você falava. A gravação respira — voz, fundo, voz, fundo — e o ouvido de quem escuta, construído para rastrear exatamente esse tipo de mudança, rastreia. Cada vão é uma pequena revelação: ouve-se a sala em que a pessoa está sentada de verdade, depois a pessoa de novo, depois a sala. Ao longo de dois minutos esse ritmo vira um sinal próprio, uma segunda presença respirando atrás da voz — e é exatamente a diferença que o ouvido registra entre um vídeo produzido e um vídeo apenas gravado. A parte cruel é que, quanto mais baixa fica a sua entrega — o aparte íntimo, a pausa segurada para efeito —, mais alta é a revelação, porque as pausas são precisamente o palco em que o fundo se apresenta. Os melhores instintos dramáticos de quem fala são os melhores momentos do ruído de fundo.
A terceira falha é a deriva. Vozes não seguram o nível: você começa uma seção com força e vai murchando, recosta para pensar e volta mais perto, ganha confiança e sobe. Ao longo de um único take o nível vagueia mais do que você acreditaria, e o ouvinte paga por isso da forma mais literal possível — pilotando o próprio volume, ou se esforçando nos trechos baixos depois de ajustar o volume pelos altos. Cada frase conquistada com esforço é uma pequena saída; cada mão que vai ao volume, uma saída maior. A deriva é também a falha que as plataformas punem mais diretamente, porque os feeds são ouvidos em fones de ouvido dentro de trens e em alto-falantes de telefone em cozinhas — ambientes sem nenhuma reserva dinâmica. O conserto tradicional é um compressor, e o resultado tradicional do iniciante é o bombeamento — o nível apertando e soltando audivelmente a cada frase, trocando um problema honesto por um artefato óbvio. O que uma voz precisa é mais lento e mais suave que isso: uma mão apoiada no fader, não uma presilha.
O Talk2Camera dobra os três consertos num único interruptor de exportação chamado Studio sound. Um filtro passa-altas tira o ronco abaixo da voz. Um gate suave abaixa o fundo nos vãos entre as frases — abaixa, não silencia, porque um vão de nada digital soa pior do que uma sala quieta. Um nivelador lento apara a deriva como faria um engenheiro conduzindo o fader, e os três são calibrados para que nada bombeie: o processamento foi feito para ser inatribuível, som que simplesmente está melhor sem anunciar o que aconteceu com ele. Takes com dois apresentadores mantêm uma pista de áudio por pessoa, cada uma com seu nível independente, de modo que um convidado baixo e um anfitrião que preenche a sala deixam de ser um único compromisso sem conserto. E tudo isso se aplica somente à exportação. A gravação embaixo permanece intocada — o mesmo take pode sair sem tratamento amanhã, ou passar por outras escolhas no mês que vem, porque o arquivo em que você atuou nunca é o arquivo que é processado.
O hábito que faz tudo isso funcionar custa um minuto: antes de publicar, escute uma vez no pior alto-falante que você tiver — o telefone, seguro com o braço esticado, numa cozinha. Problemas de imagem se escondem em telas pequenas; problemas de som se escondem em bons fones, e o alto-falante do telefone é onde a exportação vai viver de verdade. O que você está escutando não é qualidade, é esforço: seguir a voz custa algum? Se custa, os espectadores pagarão esse esforço com a atenção deles, faturado em silêncio, e acertarão a conta indo embora mais cedo. A assimetria do começo também corre no sentido contrário, e essa é a parte animadora: como ninguém percebe o som, ninguém lhe dá crédito — e um vídeo falado que se escuta sem esforço simplesmente parece melhor que a concorrência, de um jeito que nem o espectador nem a concorrência sabem nomear. A imagem recolhe os elogios. O áudio recolhe o tempo de exibição.