Первый звуковой фильм Вертова был стратегическим экспериментом. Вертов работал над ним после своего практического и теоретического манифеста абсолютного киноязыка «Человек с киноаппаратом», и опыт в области звука требовал не меньшего художественного напряжения. Вертов хотел доказать, что фильм, скованный микрофоном, не потеряет динамики, что можно записывать не только искусственные звуки в изолированном ателье, но и подлинные звуки действительности — вопреки прогнозам теоретиков о том, что «природа не звукогенична» и звукодокументальная съемка на натуре невозможна. «Мы не только ‹…› расшевелили эту „группу неподвижностей“, не только вышли с аппаратами на улицу, где заставили „ходить и бегать“ и аппарат, и микрофон, но и осуществили ряд опытов по звуковой и зрительно-звуковой съемке на расстоянии».

Полемичный тон был вызван реальными проблемами. Пока критики искали акустически бессознательное и мечтали об открытии при помощи микрофона физически не воспринимаемого, первые звукооператоры пытались преодолеть трудности по записи шумов и голосов и приспособить их «электрическое» звучание к привычному тембру. Ухо слышало селективно, а микрофон фиксировал все, не отбирая, и заглушал то, что фильм хотел передать. Разные категории звука — музыка, голос и шум — были услышаны электрическим органом иначе. Музыкальные звуки были гораздо более стабильны при записи и воспроизведении в отличие от других звуков. Высокие негармоничные шумы представляли собой резкие, жесткие, шипящие, свистящие, монотонные, невыносимые звуки. Кроме того, звучание реальности было изменено микрофонной окраской. Звуковое кино показало (и цветное усилило это ощущение), что простое техническое воспроизведение «реальности» достаточно сложно. Изобретатель системы записи звука Александр Шорин описал в своих мемуарах эти различия через ряд комических и драматических эпизодов. Группа его сотрудников пыталась записать соловья, которого слышали уши, но не слышал микрофон, заглушающий пение птицы собственным шумом. Знакомый режиссер два месяца бил стаканы, пытаясь достигнуть в звукозаписи «живого ощущения шума».

Критики отмечали граммофонное звучание голосов, музыканты критиковали отсутствие глубины и привычной связи между звуком и перспективой, и все жаловались на ненатуральность звука, на электрические голоса и шумы, имеющие специфический звуковой «привкус». Техническое несовершенство микрофонов и оптической фонограммы привело к тому, что темперированные звуки (песенных голосов, музыкальных инструментов) были определены как тоногенные, что резко сокращало число киногеничных звуковых феноменов. Поэтому обсуждение, будет ли звуковой фильм оперой, разговорным театром или фильмом шумов, имело реальную основу, при этом часто шумы подгонялись в звучании к музыкальному инструменту и имитировались специальными инструментами — в традициях комической оперы.

В своей статье «Март радиоглаза» и в интервью редакции «Кинофронта» (оба текста были написаны до первых опытов работы со звукозаписью и синхронной съемкой) Вертов настаивал на «подлинной» природе своих звуков, различая натуральные и искусственные, специально приготовленные для съемки шумы и разговоры, записанные в ателье. Он дистанцировался не только от сторонников тоногении, но и от утверждения Эйзенштейна о принципиальной асинхронности звукового кино как единственной возможной комбинации звука и изображения. «Ни для документальных, ни для игровых фильмов вовсе не обязательны ни совпадение, ни несовпадение видимого со слышимым. Звуковые кадры, так же как и немые кадры, монтируются на равных основаниях. Совершенно следует также отбросить нелепую путаницу с делением фильмов на разговорные, шумовые или звуковые» (музыкальные). Только принципиальная разница между документальным и игровым кино (теперь определяемым как кино с искусственными разговорами и шумами) остается в силе. При всей полемике с Эйзенштейном работа Вертова со звуком свидетельствовала о схожих принципах. Вертов мог опробовать их практически, Эйзенштейн только теоретически, разрабатывая план озвучивания «Генеральной линии», осуществить который ему не удалось.

Пытаясь записать подлинные индустриальные шумы, Вертов не только старался преодолеть технические трудности раннего звукового фильма. Он следовал экспериментам по обновлению традиционной системы основных музыкальных категорий — природы звука, его темперирования, тембра и ритма, выявляя новые звуковые феномены. Эта позиция напоминала программу итальянского футуризма, от Маринетти и Балиллы Прателлы до «искусства шумов» Луиджи Руссоло, и была близка экспериментам с индустриальными шумами в советской музыке, из которых наиболее известна «Симфония гудков» Арсения Авраамова (1922). ‹…›

Вертов, как и Руссоло, настаивал на том, чтобы ограниченное число искусственно темперированных звуков, называемых нами музыкой, было заменено на диссонирующие, странные, резкие, но подлинные звуки с сохранением их тембров. Интерес к шумам возник у Вертова еще в молодости, во время учебы в петроградском Психоневрологическом институте в 1916–1917 гг. В это время Вертов писал футуристические звукоподражательные стихи. Атмосфера в Петрограде и в институте могла повлиять на эти увлечения. Идеи музыкального футуризма, манифесты Прателлы и Руссоло бурно обсуждались в журнале «Музыка» в 1914–1915 гг. Когда Маринетти приехал в феврале 1914 г. в Петербург, он признал за русскими теоретиками и музыкантами приоритет в области брюитизма. Дискуссия о новом понимании звука в русских кругах была определена идеями Николая Кульбина о музыке природы (грома, шума ветра, плеска воды) и манифестами Артура Лурье о новом хроматизме, о музыке предметов, о различии между музыкой, звуком и шумом. Эта дифференциация отсылала к Гельмгольцу, но в русском контексте гельмгольцевская иерархия звука и шума была снята. Лаборатория Бехтерева в Психоневрологическом институте изучала психофизиологическое и терапевтическое воздействие звука на возбуждение и торможение в коре головного мозга, но его эксперименты были основаны исключительно на физиологическом воздействии музыки (не шумов) на пульс, сердечные сокращения, частоту дыхательных движений, давление и т.д.

Вертов, мечтая о звуке как сильном средстве воздействия, пытался производить опыты по монтажу звуков, слов, отдельных отрывков и стенограмм в слышимое целое и создал «лабораторию слуха» для экспериментов с коллажами шумов из подлинных звуков — «Шум водопада», «Лесопильный завод»: «У меня возникла мысль о необходимости расширить нашу возможность организованно слышать, слышать не только пение или скрипку из репертуара обычных грамзаписей. Я решил не ограничивать возможности слуха пределами обычной музыки. Я решил в понятие „слышу“ включить весь слышимый мир. Я не забывал о тех неудачах, которые потерпел на фронте записи звуков водопада и лесопильного завода ‹…›. Я попытался записать слышимый завод так, как слышит его слепой. Вначале словами, потом сделал попытку записать все эти разные шумы буквами. Недостатком этой системы было то, что существующая азбука была недостаточна для записи всех звуков, которые слышишь на лесопильном заводе. Во-вторых, кроме звучания гласных и согласных, были слышны еще разные мелодии и трудно передаваемые мотивы. Их следовало бы записать какими-нибудь новыми нотными записями. Но соответствующих нотных знаков для записи природных звуков не существовало. Я пришел к убеждению, что существующими в моем распоряжении средствами я не могу перешагнуть за пределы звукоподражания. Не могу проанализировать как следует слышимый водопад или слышимый завод. Слухом я различал не шум, как принято называть природный звук, я различал целый ряд сложнейших сочетаний отдельных звуков, из которых каждый звук был вызван какой-то причиной. Звуки эти сталкивались друг с другом, мешали друг другу и часто взаимно уничтожались. Затруднительное положение заключалось еще в том, что не было такого прибора, при помощи которого я мог эти звуки записать. Временно оставил все свои попытки в этом направлении. Ушел опять в работу по ритмической организации слов и фраз».

Попытки Вертова записать шумы иначе, нежели в слове, были обречены на неудачу из-за технических трудностей. Монтировать звуки, записанные на восковых валиках, было невозможно. Первую техническую возможность подобных экспериментов ему дало звуковое кино. Отказываясь от практики имитации шумов старыми и новыми звукоподражательными инструментами, Вертов раздраженно реагировал на киноопыт Вальтера Руттмана «Мелодия мира», звуковая часть которого состояла из музыки и «искусственных звукоподражаний», хотя Руттман был одним из первых, кто использовал оптическую фонограмму для радиофильма «Week-end» (1929–1930) из реальных шумов. Советское кино стремилось имитировать шумы в изолированном от жизни ателье, в «абсолютной тишине». Вертов ушел из «бархатного гроба заглушенного ателье к страшным грохотам и железным лязгам Донбасса».

При организации этих документальных звуков Вертов использовал принципы, развитые в музыкальной форме. Монтаж и изменение скорости записи и воспроизведения звука помогли ему обработать акустический материал. Монтаж позволил ему комбинировать записанные на оптическую фонограмму фрагменты отобранных шумов, чья длительность была определена заранее. Он мог использовать эти фрагменты как лейтмотивы, если оставаться в старой музыкальной терминологии, или как сэмплы, если мы обратимся к новой. Их он мог склеить в кольца, из альтернации которых создавались секвенции, при этом Вертов отдавал предпочтение структуре рондо. Изменение скорости записи и воспроизведения звука позволяло ему варьировать высоту и таким образом ввести градацию, дифференциацию тонов, некоторую музыкальную гамму с интервалами, то есть свою систему формализации и стандартизации нового акустического материала, которая позволяла уху научиться различать эти тона.

Французский исследователь музыкальной акустики Филипп Ланглуа показал в своем анализе, что Вертов простой вариацией изменения скорости записи звука сирены на половину и четверть (24 или 12 кадров в секунду) мог добиться дифференцирования высоты звука, соотносимого с соль и си, понижаемыми на октаву. Руссоло добивался дифференциации, конструируя шумомашины, Авраамов настраивал гудки как музыкальные инструменты.

Вертов сумел доказать, что документальные шумы можно записать, и его фильм не утратил динамику, хотя это была своего рода уловка, потому что часто звук и изображение записывались раздельно. С начала сентября по конец ноября 1929 г. Вертов снимал в Донбассе немой камерой без звука. В это время был отснят материал, использованный в первой части фильма, визуализировавшей появление нового звукового мира, радио. С начала ноября до конца декабря Вертов работал с композитором Николаем Тимофеевым над партитурой к этому эпизоду, включавшей шумы в музыкальную ткань. В январе 1930 г. он снимал (все еще немой камерой) в Ленинграде. В начале марта он прошел краткий курс звукозаписи в ленинградской лаборатории Александра Шорина, который сконструировал для него специальную передвижную аппаратуру. Она была испробована в марте-апреле для первых звукозаписей без изображения. Группа записывала шумы в порту, на улицах, на вокзале, шумы паровоза и толпы, звуки пасхальной службы, майской демонстрации, метронома, часов, будильника, «кукушек» на бывшем Путиловском заводе, разнообразных механизмов с выставки на Невском проспекте, автомобилей, счетных машин, а также голоса пьяных в отделении милиции «с женской и мужской руганью», публики в радиотеатре, песни Театра рабочей молодежи, колокольный звон с Исаакия, антракты. Вертов записал различные гудки и сирены разной длины (от 18 метров до 16 кадров), разной высоты и настроения (гудят на всех тонах спокойно и тревожно), на разной дистанции (близко и далеко, от 8 метров до 13 шагов).
Эти записи без изображения были показаны в ленинградском Доме кино, и критик Д. Рафалович описал это событие так: «Просмотр носил несколько необычный характер. В темноте зрительного зала квадратик экрана сверкал девственной белизной. Но экраном вообще никто не интересовался. Мелодично и лениво звенели колокола, торжественно звучал церковный хор, в пивной что-то звенело, кого-то били и когда, наконец, среди симфонии пьяного скандала отчетливо прозвучало традиционное русское ругательство, не поддающееся цитированию, никаких сомнений в документальном характере заснятого материала не оставалось. Нам показывали документальную звукосъемку».

5 апреля Шорин и десять сотрудников его лаборатории подписали вместе с представителями ВУФКУ заключительный акт о том, что «конечные результаты произведенных опытов (съемка индустрии, съемка быта, съемка вокзала, съемка отдельных моментов текущей хроники) — не только теоретически (радиоглаз), но и практически до конца и полностью разрешают положительно спорный вопрос о звуковой документальной съемке». В начале июня Вертов провел в Харькове первую синхронную съемку (партийного съезда коммунистов Украины). В июле его группа работала в Донбассе, снимая в шахтах и записывая сирены, локомотивы, тачки, громкие, лязгающие объекты, не имея возможности проверять результаты этих съемок и записей. Часть материала была браком, звук не мог быть использован, и Вертов отказался от изображения.
Он использовал три типа съемки, не отдавая предпочтение ни одному из них: изображение и звук снимались в разное время на разных пленках; изображение и звук снимались на разных пленках и разными камерами, но одновременно; изображение и звук снимались на одной пленке синхронно. Звуки и кадры в монтаже подкладывались часто асинхронно: звуки собрания — к фабричному цеху, звуки церковной службы — к кадрам пьяных, и каждый синхронный кадр действовал в этом контексте неожиданно, что придавало синхронным объектам (колоколу, сирене, машинам, барабанам и горну) особую значимость.

С конца августа Вертов начал монтировать фильм в Киеве. В своем дневнике он записал, что ему понадобилось 50 дней и 50 ночей. Премьера фильма, запланированная на октябрь, была, однако, перенесена на 8 февраля, но фильм вышел в прокат только 1 апреля 1931 г. Трехмесячная отсрочка была вызвана, возможно, проблемами со звуковой аппаратурой в кинотеатрах и сомнениями, может ли этот фильм быть адекватно услышан. При стандартной звукопроекции шумовой коллаж «Энтузиазма» мог быть воспринят только частично и искаженно, он действовал буквально оглушающе. Широкий диапазон, к которому стремился Вертов, от очень высоких звуков до крайне низких, от звуков очень тихих до чрезвычайно громких, при проекции, рассчитанной на «золотую середину», не воспроизводился. Тихие места (контрастирующие с громкими) вообще не были слышны, а громкие сливались в неразличимый грохот. Все это воспринималось критиками и музыкантами как недостатки не проекции, а звукозаписи, как недостатки фильма. ‹…›

Фильм напоминает в своей композиции программную музыку с возвращением лейтмотивов и рефренов и следует в этом смысле не литературной, а музыкальной нарративности.

1-я часть. Allegro. Демонтаж церкви. Увертюра в сонатной форме, построенная на развитии двух тем, главной и побочной; на уровне шумов это колокол и сирена, на уровне мелодии — марш и литургия.
2-я часть. Moderate. Добыча угля.
3-я часть. Рондо. Allegro vivace. Плавка металла.
4-я часть. Andante cantabile. Пастораль. Сбор урожая.

Эти четыре рабочих действия, которым Вертов отводит разное время (увертюра и эпизод в угольных шахтах длятся около 20 минут, плавка металла и сбор урожая, завершающийся парадом, — по 12 минут), разделены демонстрациями и митингами, которые сопровождают эти процессы, создают цезуры между ними и одновременно связывают их друг с другом. Колонны марширующих (сначала пионеров в черном, потом комсомольцев в белом, потом рабочих, военных, музыкантов духового оркестра) и окружающие их детали (то русские, то украинские лозунги, то вечернее, то дневное освещение, то весна, то лето) указывают на разное место и время демонстраций. Но одинаковые принципы их съемки (камера слегка сверху или чуть снизу; движение начинают колонны по диагонали, а потом массы заполняют все пространство кадра) превращают эти толпы в композиционные скрепы. Марши действуют как одинаковые по ритму цезуры, как монотонный рефрен. После первого появления марширующих (на девятой минуте фильма, в начале второй части) они возвращаются каждые три минуты, только один раз — внутри «угольного» эпизода — этот ритм нарушается.

Четыре части симфонии опираются на программу первой «безбожной» пятилетки (1928–1932), во время которой многочисленные церкви были закрыты, разрушены, превращены в клубы, иконы сожжены. Если посмотреть на фильм с этой точки зрения, то его четыре части следуют четырем простым лозунгам: долой религию! (1), даешь уголь (2), сталь (3) и коллективизацию (4), которая становится возможной благодаря индустриализации. Уголь, сталь и урожай связаны друг с другом речами на митингах (шахтеры вызывают на соревнование сталеваров, сталевары вызывают на соревнование землепашцев). Но фильм держится не на этих объяснениях связей между секуляризацией, модернизацией, индустриализацией и коллективизацией. Между частями фильма Вертов устанавливает чисто формальные соотношения: контраст темпов (быстро — медленно — быстро — медленно) и освещенности (светло — темно — темно — светло; из яркого холодного солнечного света первого эпизода в темноту шахт, оттуда в резкий контраст огня и темноты в бессемеровском цехе и затем в дневной свет пасторали). Эти формальные контрасты образуют и скрытые семантические связи, через которые фильм развивает свой комментарий к лозунгам, осуществляемый в первую очередь через сплетение видимого и слышимого, визуальных и звуковых лейтмотивов.

«Симфонии» предшествовали две версии сценария, существующие во многих вариантах. Сначала, между 13 и 31 декабря 1929 г., Вертов записал «звуковой марш» — звуковую драматургию фильма, позже она была разработана в звукозрительный сценарий, следуя логике разделения двух рядов и их произвольного соединения. В первом варианте сценария конфликтное столкновение интенсивных звуков символических коллективных тел (церкви и фабрики) было противопоставлено акустике личного мира (удары сердца, тиканье часов, мелодия фортепиано). Голос фабрики (индустрии) заставлял замолчать сакральное (колокол) и индивидуальное (фортепианную мелодию), лишая их голоса, потенции. ‹…›

Ритмически шагающие массы (пионеры, комсомольцы, рабочие, военные, музыканты, демонстранты) отделяют части фильма друг от друга. Эти кадры использованы не просто как фрагменты реальности (и новых ритуалов), а как композиционный элемент. Движение людей и машин подчиняется одной формуле, объединяющей индустриальные шумы, массы и мелодии марша: простой двухдольный метроритм.

Визуально движение вертовских масс не похоже на хореографию Альберта Шпеера и Лени Рифеншталь: у них маршевые колонны спортивных и военных парадов были организованы на огромных пространствах как декоративные элементы плоскости, которые следовали правилу четкого членения, симметричным пропорциям и цветовым контрастам. Архитектор Альберт Шпеер вписал движение массы как динамическую пиктограмму в свой орнаментальный узор и рассчитал его визуальное воздействие заранее. Там, где актеры не могли достаточно экспрессивно передать движение, где неэстетичные тела сопротивлялись идеальной форме, он прятал их. Шпеер пишет, что его идея светового собора была рождена необходимостью скрыть толстые, некрасивые тела простых демонстрантов, которые выглядели иначе, чем тела тренированных атлетов или военных. Поэтому он погрузил их в ночную темноту и заменил движением факелов.

Вертов организует движение колонн на камеру или мимо камер в фонограмме фильма слышны даже вопросы ударников, должны ли он повторить свой проход мимо камеры еще раз. Пионеры идут зигзагом и по диагонали, как ожившие фигуры Александра Дейнеки, структурируя пространство, снятое сверху. Но эти колонны поглощаются массой, неразличимым телом, наполняющим кадр и сохраняющим хаотичный, спонтанный характер. Вертов не использует при изображении массы принцип фрагментирования, которым пользуется при представлении рабочих процессов. Коллективное тело демонстрантов не передано как геометрическая фигура, масса заполняет реально и пространство площадей и улиц, и пространство кадра, но не становится орнаментальным элементом плоскости.

Еще не пришло время спортивных парадов, превращающих массу в орнамент, как в «Цветущей молодости» (1938) Александра Медведкина или в «Колыбельной» (1937) самого Вертова. Чтобы поддержать ощущение спонтанности, движение массы в кадре лишено цели. Пионеры маршируют по кругу, комсомольцы идут на камеру, рабочие исчезают в небе, энтузиасты проходят вдоль камеры сначала справа налево, потом слева направо. В этом Вертов следует изобразительному канону 1920-х гг. Ритмически организованная маршировка в фильмах тех лет была атрибутом угнетателей, как «марш» солдат по ступеням лестницы в «Броненосце „Потемкине“». Идеальная синхронность и ритмичность их ног была кодирована в контексте фильма как часть бездушной машины подавления-уничтожения. Революционная масса рисовалась как хаотичная толпа и сравнивалась с природными стихиями (потоком, лавиной). Вертов перенимает этот образ, монтируя свои массы в последней части симфонии параллельно колышущемуся полю пшеницы.

Булгакова О. Ухо против глаза / Булгакова О. Советский слухоглаз: кино и его органы чувств. М.: НЛО, 2010.