Beim klassischen Filmerleben bilden Bilder und Töne für die Zuschauer und Zuhörer eine unmittelbare Einheit, wie auch in der Alltagsrealität das Sichtbare und Hörbare unmittelbar zusammenhängt. Beim Filmemachen müssen diese zwei parallelen Welten jedoch erst zu einer audiovisuellen Gesamtheit gestaltet und zusammengefügt werden, damit ein ganzheitliches Rezeptionserlebnis entsteht.

Seit der Frühzeit des anfangs noch stummen Films ist die Montage der Bilder, das erzähllogische, rhythmische, emotional stimmige Aneinanderfügen von geschnittenen Filmbildern, eine Kunst für sich. Die Zuschauer mussten und müssen sich in Raum und Zeit orientieren und einer Handlung mit ihren Ereignissen und Figuren folgen können. Mit dem Aufkommen des Tonfilms als der technologischen Möglichkeit, Bilder und Töne zu kombinieren, erweiterte sich das Spektrum der Montage nun auch um auditive Aspekte. Das Verbinden der zwei Wahrnehmungsangebote des Hörens und Sehens in der audiovisuellen Montage verlangt jedoch nicht nur technische Weiterentwicklungen der Kinematografie, sondern auch kalkuliert dramaturgische und ästhetische Strategien, um das Filmerleben umfassender zu gestalten. Voraussetzung dafür ist in der Medienpraxis die Möglichkeit, Bild- und Tonebene jeweils autonom bearbeiten zu können, sie zu trennen und neu zu kombinieren, sie zu verändern und zu ergänzen und schließlich zu einem audiovisuellen Ganzen zusammenzubringen.