Dans une pièce bruyante, l'être humain distingue la voix qu'il cherche grâce à ses deux oreilles, qui perçoivent une différence dans l'arrivée du son. Un ordinateur équipé de plusieurs microphones agit de la même manière : il reçoit des indices spatiaux — d'où parle chaque personne.

Auparavant, ces indices servaient à se concentrer sur une seule direction, comme un faisceau de lampe de poche. Mais lorsque les voix se superposent, le faisceau se brouille et une partie du signal se perd — un peu comme si l'on essayait de distinguer deux acteurs à la fois sous le même 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 ses erreurs en reliant le son à la direction. Cela rappelle la spectroscopie, où l'on reconstitue la composition d'après le motif du spectre, plutôt que de simplement capter la luminosité. Même en astronomie, c'est analogue : un bon angle de vue permet de voir de faibles nuages de poussière cosmique.