Dans une pièce bruyante, l'humain distingue la voix recherchée grâce à ses deux oreilles qui perçoivent la différence d'arrivée du son. L'ordinateur équipé de plusieurs microphones agit de la même manière : il reçoit des indices spatiaux — d'où vient chaque voix.
Auparavant, ces indices servaient à se concentrer sur une seule direction, comme un faisceau de lampe torche. Mais lorsque les voix se superposent, le faisceau se brouille et une partie du signal se perd — c'est comme essayer de distinguer deux acteurs à la fois dans le rayon d'un projecteur.
La nouvelle méthode abandonne le faisceau : on indique directement à l'algorithme la position des locuteurs. Et là, surprise : avec ces « géo-étiquettes », le modèle reconnaît la parole mieux qu'après un nettoyage minutieux. Il réduit lui-même l'incertitude — l'entropie — et corrige les erreurs en reliant le son à la direction. Cela rappelle la spectroscopie, où l'on reconstitue la composition à partir du motif spectral, plutôt que de simplement capter la luminosité. Même en astronomie, c'est similaire : le bon angle permet de voir les nuages de poussière cosmique faibles.
L'oreille humaine détermine la direction du son avec une précision d'un degré grâce à un délai entre les oreilles de quelques microsecondes à peine.