النماذج التي تحول النص إلى صوت تتقن إعادة إنتاج الأصوات المنفردة، لكنها تحتار عندما يتضمن السيناريو عدة أحداث. على سبيل المثال، وفقًا للسيناريو يأتي رنين الجرس أولاً، ثم خطوات الأقدام، ثم صوت إغلاق الباب. قد يعيد المولد ترتيب الأحداث، فيسمع المستمع خطوات الأقدام قبل رنين الجرس.

وجد الباحثون حلاً غير متوقع: بدلاً من برمجة قواعد معقدة، أخذوا شبكة عصبية 'تفهم' الصوت، وجعلوها مراقبًا صارمًا. تعمل هذه الشبكة العصبية كقائد أوركسترا يستمع إلى التسجيل ويتأكد من وجود جميع الأحداث في الترتيب الزمني الصحيح. إذا اختلطت الموجات الصوتية، فإنها تمنح تقييمًا. بمقارنة عدة خيارات للتوليد، يتعلم النظام من هذه التفضيلات: هذا جيد، وذاك سيئ. وللتحقق، أعد المؤلفون اختبار S3Bench، وهو مجموعة من القصص القصيرة مع تعليمات صوتية. زادت الطريقة من دقة الالتزام بالترتيب دون تدهور الجودة.

من المدهش أن 'الحَكَم' لم يكن نظامًا خبيرًا معقدًا، بل نموذجًا آخر مدرّبًا. يبشر هذا الثنائي المتعلم ذاتيًا بمقاطع صوتية أكثر واقعية في الألعاب والمساعدين.