Gegenläufig zu üblichen Vorgehensweisen wurde zu einer bestehenden Tonspur (eine Musik-TextKomposition von Alfred Zimmerlin und Elisabeth Wandeler-Deck) die Bildspur „komponiert“. Das Resultat steht sperrig in der kommerziellen Filmlandschaft, am ehesten in der Nähe von impressionistischen Stadtfilmen, die seit Walter Ruttmanns Berlin - Die Sinfonie der Großstadt (1927) vorwiegend mit dem Rhythmus, und also der Zeit, experimentierten. Die Bewegungen der Stadt werden überlagert durch die Bewegungen der Kamera und der Montage (Urs Graf). Bild und Ton spinnen ein dichtes Netz formaler und inhaltlicher Gegensätze, Unverträglichkeiten und Analogien, Sicht- und Hörbares wirken ineinander, ohne ihre Autonomie zu verlieren. Mit einem Hang zum Narrativen, ohne narrativ zu sein, vermittelt der Film die Stadt als Ort jener sinnlichen Wahrnehmung, zu der sie fähig ist.
Ein jugendlicher Radkurier bringt zwei alten Leuten wiederholt Todesanzeigen. Photographien der Verstorbenen führen ihnen vor Augen, daß auch sie zum Tode gehen. Mit atemberaubender Geschwindigkeit durchraste Strassenräume finden schließlich frontale Begrenzungen, meist in der Form von Türen oder Mauerdetails: der Blick prallt immer wieder auf Einzelheiten. Diese zentrierten, nicht eigentlich zielgerichteten langen Bewegungen durch Häuserfluchten und wechselndes Tageslicht werden gebrochen von Bildern der Natur und überspannt von Musik und Sprechstimmen. Die Fragmente von Begebenheiten folgen sich in zwei musikalischen Sätzen, die der sich zweimal wiederholenden Originalkomposition entsprechen, mit dem Tod der alten Frau an der Schnittstelle. Die Musikerinnen und die Sprecherin, die gleich zu Beginn eingeführt werden, um im zweiten Satz wieder aufzutauchen, durchbrechen als metafilmische Elemente den Lauf der narrativen Fäden.
Neben dem Prinzip der „Bebilderung“ einer Tonspur steht auch die Montage in Beziehung zu kommerziellen Musik-Clips (aber auch zu Trickfilmen): Die auf den ersten Blick ungeschnitten erscheinenden Zeitrafferfahrten durch die Stadt vollziehen sich in fast unmerklichen Rucken. Diese pointillistische Montage holt die Sakkaden-Struktur der menschlichen Wahrnehmung - also jene ruckartigen Augenbewegungen, die sich einstellen, wenn der Blick einem sich kontinuierlich bewegenden Objekt folgt - aus dem Unbewußten, wo sie normalerweise schlummert.
Bezugspunkt in Die Farbe des Klangs des Bildes der Stadt ist der Mensch, sind anthropomorphe Prinzipien im Sinne der subjektiven Kamera etwa, die durch Abstraktion eine synthetische Verankerung erhalten. So entsteht auch ein Bild der Stadt Zürich, aber vor allem ein bisweilen anstrengendes sinnliches Vergnügen.