Dans une salle de classe, l'institutrice explique la différence entre « dom » et « tom » : posez la main sur la gorge et sentez la vibration. La machine qui reconnaît la parole fait à peu près la même chose, sauf qu'à l'intérieur, ce n'est pas une gorge, mais de longues listes de nombres. Il s'avère que ces nombres peuvent être rangés sur des étagères — comme des cubes de lettres dans une chambre d'enfant.
Les scientifiques ont pris un modèle entraîné sur 96 langues et ont trouvé à l'intérieur des directions qui correspondent à des propriétés individuelles des sons. Par exemple, il existe une direction « voisement ». Si l'on prend le vecteur du son « p » et qu'on lui ajoute ce vecteur, on obtient « b ». Si l'on n'ajoute pas le vecteur entier, mais seulement la moitié, on obtient un son à moitié voisé — comme si le locuteur commençait à parler en chuchotant, mais sans aller jusqu'au bout.
Cette découverte a des applications pratiques. Si l'on comprend comment les sons sont organisés à l'intérieur du modèle, on peut mieux ajuster la reconnaissance vocale pour les langues rares, où il y a peu d'enregistrements. Ou encore faire en sorte que l'assistant vocal ne confonde pas « chat » et « gars » chez les personnes ayant un accent. Le modèle a en quelque sorte reçu un atlas phonétique entre les mains — et il peut désormais voyager à travers lui en connaissance de cause, et non plus à l'aveugle.
Dans l'étude, on a constaté que si l'on prend la différence entre les sons « d » et « t » et qu'on l'ajoute au son « p », on obtient « b ». C'est comme si l'on soustrayait « tom » de « dom » pour obtenir l'instruction « rends-le voisé ».