«...Дело в том, что озвученный фильм и фильм звуковой — разные вещи. Сегодня практически не снимают звуковое кино. Во всяком случае, то, что мы чаще всего сегодня видим на экране, это не есть звуковое кино. Звуковой фильм — это фильм звукозрительных образов, где зрительный и звуковой образы сливаются в единое целое. А то, что мы чаще всего видим, — это фильмы немые, но они озвучены и при этом лишены изящества немого кинематографа, его пластики. Просто записанные речь, звуки произносятся напрямую или идёт экшн—действие. И всё. Я же считаю интересным тот фильм, где звуковая ткань соединена с изображением, вписана в партитуру фильма, причём она может состоять не только из речи, музыки, но и из шумов. Как в „До свидания, мальчики!“, когда заявленная фраза прокричится в конце. Это может быть осознанно зрителем не сразу, но откладывается в подкорке, это влияет на восприятие. Кино, таким образом, становится многомерным, не плоским. Делать такой вот фильм интересно, потому, что такой фильм — это конструкция, это не гомофония, это полифония, где несколько самостоятельных голосов движутся, прерываются, делая паузу. Или же снова звучат — вместе, отдельно, вдвоём, ракоходно и, соединяясь, дают какое-то совершенно другое ощущение. Ты даже не всегда осознаёшь, но ты все эти линии чувствуешь. И тогда возникает воздействие, возникает образ, и он остаётся в душе»
Теоретически намеченные С. Эйзенштейном, Г. Александровым, В. Пудовкиным идеи объединения зрительного и музыкального образов были подхвачены и развиты М. Таривердиевым в начале 1960-х годов. Композитор идёт по пути контрапунктического несоответствия музыки и видеоряда. Возникающий момент расхождения расширяет пространство поэтических смыслов. Подобный способ слияния, еще не известный советскому кино тех лет, М. Таривердиев определит понятием «полифоничность». Обучая молодых режиссёров, М. Таривердиев строго разделял два понятия — «озвученный фильм» и «звуковой фильм». В 1930-е годы, излагая теорию вертикального монтажа, С. Эйзенштейн утверждает синтез всех компонентов кинопроизведения как единое гармоничное целое: изображение, звучащая речь, звуки и шумы природы, музыка – всё должно создавать единый звукозрительный образ. Принцип слияния видеоряда и музыки в виде сугубо теоретического предположения был сформулирован и изложен им в статье «Будущее звуковой фильмы. Заявка»:
«… сопоставление изображения и звука, иногда несовпадающего, а контрастирующего, даст новые возможности для специфического развития киноискусства»
Цит. по.: Александров Г. В. Эпоха кино. М.: Политиздат. 1976. С. 127.