En una habitación ruidosa, una persona distingue la voz deseada gracias a los dos oídos, que captan la diferencia en la llegada del sonido. Una computadora con varios micrófonos actúa de la misma manera: recibe pistas espaciales, de dónde habla cada uno.
Antes, estas pistas se usaban para enfocarse en una sola dirección, como el haz de una linterna. Pero cuando las voces se superponían, el enfoque se desdibujaba y se perdía parte de la señal, como si intentaras ver a dos actores a la vez bajo un foco.
El nuevo método abandonó el haz: se le dice al algoritmo directamente la ubicación de los hablantes. Y entonces surgió algo inesperado: con estas «etiquetas geográficas», el modelo reconoce el habla mejor que después de la limpieza más minuciosa. Él mismo reduce la incertidumbre — la entropía — y corrige los errores al vincular el sonido con la dirección. Esto recuerda a la espectroscopía, donde a partir del patrón del espectro se reconstruye la composición, en lugar de simplemente captar el brillo. Incluso en astronomía es similar: el ángulo correcto ayuda a ver las tenues nubes de polvo cósmico.
El oído humano determina la dirección del sonido con una precisión de un grado gracias a un retraso entre los oídos de apenas unos microsegundos.