سینما یا تلویزیون یا سایر رسانه‌های جمعی تنها چشم را هدف نمی‌گیرند. آنها مخاطبانشان را در حالت ادراکی منحصربفرد از صدا و تصویر قرار می‌دهند. این ادراک به‌طور همزمان چشم و گوش مخاطبان را درگیر می‌کند هرچند که ما با یکسره گفتنِ اینکه فیلم یا برنامه‌ای تلویزیونی را «می‌بینیم» اصرار داریم انکار کنیم که در این میان حاشیه‌ی صوتی چگونه ادراک را جرح و تعدیل می‌کند. در بهترین حالت برخی به یک مدل جمعی اکتفا می‌کنند که با توجه به آن تماشای نمایشی سمعی ــ بصری از اساس ترکیبی است از دیدن تصاویر به‌اضافه‌ی شنیدن صداها. این چنین هر ادراک به‌شکل ظریفی در محدوده‌ی خود باقی می‌ماند و بر دیگر ادراک‌ها تأثیری نمی‌گذارد. میشل شیون در صدا ــ تصویر می‌کوشد که حقیقت آمیزش و درهم‌آمیختگی سمعی ــ بصری را اثبات کند. این که در نهایت ادراکی سمعی ــ بصری بر ادراکی دیگر تأثیر می‌گذارد و آن را دگرگون می‌سازد. وقتی چیزی را می‌شنویم دیگر به هیچ روی همانی نیست که صرفاً دیده‌ایم؛ و به همین ترتیب وقتی چیزی را می‌بینیم دیگر همانی نیست که صرفاً شنیده‌ایم. از این رو باید از تکرار مکررات در باب این دو حیطه عبور کنیم [پرسش مشهوری که در دهه‌ی ۱۹۷۰ مطرح بود: کدامیک مهم‌تر است؟ صدا یا تصویر؟] و در باب روابط متقابل و برهم‌کنش نیروها سخن بگوییم. صدا ــ تصویر همزمان نظری و عملی است. اول آنکه رابطه‌ی سمعی ــ بصری را به‌منزله‌ی نوعی قرارداد توصیف و فرموله می‌کند [به‌منزله‌ی نقطه‌ی مقابل رابطه‌ای طبیعی که از نوعی هارمونیِ ازپیش‌موجود بین ادراکات برمی‌خیزد] و سپس همان را بر روی تلی از فیلم‌ها، برنامه‌های تلویزیونی و ویدئوها می‌افکند. این راهی برای روایت تاریخ سینماست به‌مدد فرمول جادویی صدا ــ تصویر، و نه صرفاً صدا. مسئله این است: آیا می‌توان در مقابل تاریخ سینما [که عموماً مبتنی بر دسته‌بندی تصاویر است] از تاریخ صداها نوشت؟ سینما یا سایر رسانه‌های جمعی در طول تاریخ چه تأثیری بر قوه‌ی شنیدار ما گذاشته است؟ و اینکه آیا می‌توان صدا در سینما را صاحب رسالتی همچون تصویر دانست؟
