Фильм представляет собой аудио-визуальную документацию об усилиях Донбасского края по выполнению первой пятилетки индустриализации и коллективизации и, одновременно на мета-уровне, рефлексию о возможностях «звукового кино».

В противоположность иллюстративно-натуралистическому использованию, звуковые и изобразительные элементы в «Симфонии Донбасса» разрабатываются равноправно и приводятся посредством монтажа в сложные взаимоотношения. Разделение изобразительной и звуковой концепций проявляется уже в том, что до «визуального» варианта^[1] 1930 года Вертов пишет в 1929 году сценарий, в котором он особенно интенсивно продумывает новый элемент «звука» в аудио-визуальном союзе медиа:

«Тикают часы.

Сначала тихо. Постепенно громче. Еще громче. Непереносимо громко — (чуть ли не удары молота). Постепенно тише до среднего, четко слышимого уровня. Будто удары сердца, только значительно громче.

Чьи-то шаги приближаются по лестнице снизу вверх. Проходят мимо. Стихают. Тикают часы. Снова приближаются шаги. Подходят вплотную. Останавливаются. Тикают часы, как удары сердца.

Первый удар церковного колокола. Звон затихает, уступая тиканью часов. Второй удар церковного колокола. Звон затихает, снова уступая тиканью часов. Третий удар церковного колокола, переходящий в постепенное развертывание церковного праздничного перезвона. ‹…›

Тикают часы, как удары сердца. Что-то начинает передавать радиотелеграф. Начинаем слышать сердце завода — силовую станцию. Пульс силовой станции исполняется поочередно разными группами инструментов. Этот электрический пульс мы слышим долго под землей и в шахтах, и у доменных печей и во всех других цехах завода. Биение электрического пульса усиливается общей работой всех групп ударных и прочих инструментов, после чего начинает ослабевать в громкости, и вот уже слышно издали. Что-то передает радиотелеграф»^[2].

В противовес предыдущему фильму Вертова «Человек с киноаппаратом», в «Симфонии Донбасса» возникает образ радиотелеграфистки, лицо которой дается крупным планом прежде всего в состоянии слушания. Кадры с изображением молодой женщины, которая сидит в наушниках перед пультом управления, можно расшифровать по-разному. Эта амбивалентность связана с нереалистической конструкцией пространства, представленного в традиции монтажной эстетики как искусственно сфрагментированное, что усложняет ориентацию для зрителя. С одной стороны, женщину можно опознать в контексте производство фильма как ответственного за звукозапись члена коллектива; с другой стороны, в контексте восприятия фильма она функционирует как идентификационная фигура для кинопублики и является своего рода «интерфейсом». ‹…›

Решающее изменение в вертовских кадрах отличает переход от изображения говорящих, поющих фигур голливудских «talkies» к изображению слушающей фигуры. Через ее визуальное изображение осуществляется не только разделение изображения и звука — этот прием ведет также к разъединению органической целостности человеческой фигуры, отделению тела от голоса и, тем самым, к своеобразному «обестелесниванию» звука.

Так как источник остается невидимым, многие звуки оказываются неоднозначными: сложно решить, имеется ли в виду при отсчете временного такта «тиканье часов», упомянутое в сценарии, или всё же стук метронома — ассоциация, которая становится возможной за счет тематизации музыки. Возможно также, что на метафорическом уровне мы имеем здесь дело с биением электрического пульса, о чём также упоминается в сценарии. Как визуальный ряд, так и фонограмма у Вертова создаются монтажом или наслоением совершенно разных, не связанных между собой, симультанно существующих пространств. Фонограмма характеризуется резкими звуковыми разрывами — примером тому может служить музыка марша, которая неоднократно прерывается абсолютной тишиной.

Откуда исходит звук — главный вопрос, возникающий в ситуации обестелеснивания звука. Локализация звука у Вертова представляет, по-видимому, проблему и для изображенной в состоянии слушания фигуры. Женщина время от времени оглядывается по сторонам, как будто она — так же, как и кинопублика — ищет источник звука. Интересно, что в конце этого эпизода, целью которого является демистификация церкви, мы видим женщину уже без наушников, когда она лепит бюст Ленина. Этот кадр наталкивает на различные размышления. Взгляд радиослушательницы отличается от «вооруженного» взгляда киноглаза, исследующего в «Человеке с киноаппаратом» мир зрительных явлений. Здесь скорее возникает ощущение, что слушание приводит женщину к внутреннему, созерцательному зрению и порождает вдохновение, находящее свое выражение в творческом акте — в создании скульптуры, представляющей собой символическое воплощение нового политического порядка.

На метафизическом уровне в «Симфонии Донбасса» противопоставляются православная церковь и социалистическое государство. Художественная инсценировка этой оппозиции напоминает известную сентенцию «Религия — опиум для народа», а в отношении кино — иллюстрацию статьи Льва Троцкого «Водка, церковь и кинематограф» (1923), в которой кино рассматривается как конкурент церкви и кабака: «Кинематограф развлечет, просветит, поразит воображение образом и освободит от потребности переступать церковный порог. Кинематограф — великий конкурент не только кабака, но и церкви. Вот орудие, которым нам нужно овладеть во что бы то ни стало!»^[3]

После пролога в фильме следуют кадры, которые показывают Россию, находящуюся под гипнозом церковной и царской власти. Изображения религиозного и монархического культа (царские монограммы, церковные колокола, статуи Христа, молящиеся верующие) чередуются с изображениями шатающихся, еле держащихся на ногах пьяных. Кульминацией эпизода является разрушение церкви и превращение ее в социалистический клуб.

Процесс разрушения усиливается специфическими средствами кино: применяется прием ускорения и замедления изобразительного и звукового рядов. Камера приходит в движение — это может быть параллельное церковным колоколам раскачивание или же шатание вместе с пьяными. За счет призматического преломления создается впечатление, что культовое сооружение церкви распадается. Религиозные изображения начинают вибрировать, кружиться и растворяться. Воздействие визуального ряда усиливается звуком барабанной дроби. В конце эпизода дана серия кадров в обратном движении — мы видим новые социалистические символы (знамена, красные звезды и т. п.), взлетающие снизу на шпиль колокольни. Таким образом, религиозная конверсия находит свое завершение.

Дзига Вертов в своих теоретических текстах и манифестах противопоставляет отвергаемой им художественной драме, гипнотически действующей на бессознательное, собственный документальный метод, который через факты должен воздействовать на сознание: «Одурманить и внушить — основной метод воздействия художественной драмы — роднит ее с воздействием религиозного порядка и позволяет некоторое время держать человека в возбужденно-бессознательном состоянии»^[4]. Однако в иконоборстве, реализованном в фильме, церковь и социалистическое государство вступают в амбивалентное отношение субституции^[5], при котором на советскую власть переносятся не только религиозные традиции сакрализации, но и сам документальный метод кажется зараженным галлюцинационным одурманиванием. 

Хэнсген С. Audio-Vision. О теории и практике раннего советского звукового кино на грани 1930-х годов [Перевод с нем. Елены Шенфельд] // Советская власть и медиа. СПб.: Академический проект, 2006.