1: Plànol amb imatge fotogràfica, amb vista panoràmica de la ciutat, per fer la presentació del video. Apareixeran unes lletres on dirà "a la ciutat". Sense audio. Té una durada de 01.07segons.

2: Al segon planol, un acordeonista toca mentre el càmera a caminant en mig cercle al volant d'ell, agafant-lo en un pla general. Comencem a veure fotografies superposades de peus caminant a la ciutat. Comença l'audio. Té una durada de 04.20 segons.

3: Al tercer plànol trobem una noia tocant un xilòfon. El càmera es quedarà quiet fent un plànol general. Després farà un zoom apropant-se cap a a les baquetes del xilòfon, i 2 segons després, s'allunyarà. Veiem una altre fotografia de peus caminant sobre la ciutat diferent a l'anterior. Aquest plànol té una durada de 15.07 segons.

4: Al quart plànol trobem un trompetista, que comença tocant i veiem que acaba de tocar, fent una tímida salutació a la gent. Aquesta imatge serveix per a dir que els músics necessiten més públic, tal i com ho mostra la seva tímida salutació.Veiem la ultima fotografia de peus caminant a la ciutat, diferent a les imatges anteriors. El càmera es manté quiet, fent un zoom allunyant-se i a la image que deixa de tocar, fent un primer pla del músic. Aquest plànol té una durada de 10 segons.

5: Després de veure una ultima fotografia d'una ciutat, diferent a la primera, on dirà "un carrer, un músic, més públic", veiem imatges en stop-motion de 3 musics. Finalment s'escriu en ell "escoltal's", una altre imatge sense text amb els músics i una utlima imatge, just quan s'acaba l'audio, amb "escolta'ns".