В шумной комнате человек выделяет нужный голос благодаря двум ушам, улавливающим разницу в приходе звука. Компьютер с несколькими микрофонами действует так же: он получает пространственные подсказки — откуда говорит каждый.
Раньше эти подсказки использовали для фокусировки на одном направлении, как луч фонарика. Но при наложении голосов фокус смазывался, и часть сигнала терялась — словно пытаться разглядеть сразу двух актёров в луче прожектора.
Новый метод отказался от луча: алгоритму напрямую сообщают расположение говорящих. И тут выяснилось неожиданное: с такими «гео-метками» модель распознаёт речь лучше, чем после самой тщательной чистки. Она сама снижает неопределённость — энтропию — и исправляет промахи, соединяя звук с направлением. Это напоминает спектроскопию, где по рисунку спектра восстанавливают состав, а не просто ловят яркость. Даже в астрономии аналогично: верный ракурс помогает увидеть тусклые космические пылевые облака.
Человеческое ухо определяет направление звука с точностью до градуса благодаря задержке между ушами всего в несколько микросекунд.