写好这篇内容之后我在想一个问题：为什么听音频播客时对于卡壳、停顿的要求那么高，但相比之下，同样的内容以视频呈现时——我（们）的宽容度就很高呢？🤔
原因很简单。
在没有画面之前，听众的所有注意力都 focus 在声音中，声音中的信息（或者说特征）就会被无限放大，而卡壳、停顿等便是其中无法忽略的内容，这也是很多播客主对音频内容的呈现如此「吹毛求疵」（此处非贬义，中性表达）的原因。
而当声音加入视觉信息之后，观众的注意力就分散了，我们可能会关注屏幕中的布景细节、人物的长相，包括人物的表情、肢体语言，还有收音设备、视频画面的变换…
如此一来，观感一般会和听感有所差别～
P.S. 无论是音频制作中对于卡壳/停顿的「必须剪掉 VS 酌情处理」还是视频剪辑中惯用的「表情、肢体语言或别的人物画面替代」处理方法⋯和媒介有关，当然，也和创作者、制作者的标准有关～
看到有人说，视频播客和以前不被称作播客的视频访谈有什么区别——这其实也蛮有意思，如果讨论的是电视访谈 VS 视频播客，前者是先有画面需求然后填充内容，后者是先有内容而画面是可选项。🧐
又 P.S. 以上想法的背后和一些媒介理论有关，具体是什么就不做展开了，如果你读到了这里也对它们感兴趣的话可以自行了解：麦克卢汉的热媒介和冷媒介，还有信息论中的冗余度和容错率～