No cambia tanto el tiempo es una escena más. Lo que sí que había un problema es en lo de plasmarlo solo con las miradas (igual que la última mirada del niño desde el suelo) y es ahí donde habría que enfatizar un gran esfuerzo, ya que si esas partes fueran con diálogo (que se podría hacer igual) y la expresividad no fuera tan necesaria, pasaría como algo normal, en cambio, si se consiguiese hacerlo sin diálogo (solo música y expresión) se le quedaría grabado a la gente más eso, que no un diálogo.
Pero sí, habría que dedicarle muchísimo esfuerzo a la expresión facial (corporal también, pero la facial sería muy importante) y sobre todo ver cómo serían los planos en cada secuencia, ya que, si no hay planos cortos en las secuencias claves, para poder apreciar un buen trabajo de expresión, no hace falta llevarlo por ese camino.
No sé cuánto tiempo estáis pensando de duración del corto, pero yo estimo que (teniendo en cuenta la presentación, el nudo y el desenlace) la repartición de tiempos se podrían centrar:
A) mayoritariamente en el nudo si el desenlace no se quiere hacer tan dramático con esa mirada del niño (en la que se refleja o se cambia de plano con lo de los padres y los hijos que se acercan, entran los niños, y los padres van a por la comida).
B) equitativo entre nudo y desenlace (para enfatizar en el desenlace).
C) igual en las tres etapas.
D) quizá otra opción interesante seria dedicar más porcentaje de tiempo a la presentación y al desenlace, y en cambio el nudo (niños sobre la manija del reloj, paisaje etc) cambios de planos de corta duración, y en las otras partes, más largos.
Pero es eso, depende de la enfatización que se quiera dar concretamente, si en la búsqueda de la libertad (o la utopía de la libertad a través del paisaje) entonces seria en el nudo, o enfatizar el resultado de la trama (que sería el desenlace).
De todos modos, el problema (entre comillas) de añadir un diálogo (por ejemplo, en los niños en la manecilla del reloj) tiene un problema, y es que la secuencia requiere más tiempo y te lo comes del principio o del final (aparte que entramos en el idioma del diálogo) y que claro, solo utilizar un par de frases (por ejemplo) en ese momento concreto, tiene que haber un mensaje muy claro para hacerlo a la vez muy breve y que sea coherente, es decir, que no necesite que haya diálogo previo ni posterior.
Yo apostaría por hacerlo sin diálogo, y centrarse en la expresividad y la emoción conjunta que se puede conseguir con las caras y la música, aunque cierto es, que es más complicado (aunque también que se valoraría muchísimo más).