В шумной комнате человек выделяет нужный голос благодаря бинауральному слуху: два уха улавливают микроскопическую разницу во времени прихода звуковых волн и их интенсивности. Компьютер с массивом микрофонов действует аналогично — он извлекает пространственные подсказки, вычисляя направление на каждый источник звука.

Раньше эти подсказки использовали для формирования острого акустического луча, подобно лучу фонарика, фокусируясь строго на одном направлении. Но при наложении голосов такой фокус неизбежно смазывался, и часть полезного сигнала безвозвратно терялась — словно пытаться разглядеть сразу двух актёров, стоящих вплотную, в узком луче прожектора.

Новый метод отказался от жёсткого луча: алгоритму напрямую сообщают пространственные координаты говорящих — своего рода «гео-метки». И тут выяснилось неожиданное: с такими метками модель распознаёт речь точнее, чем после самой тщательной процедуры шумоподавления. Она самостоятельно снижает неопределённость — энтропию, меру хаоса в данных, — и исправляет ошибки, прочно связывая акустический сигнал с его направлением. Это напоминает спектроскопию, где по детальному рисунку спектра восстанавливают химический состав вещества, а не просто измеряют общую яркость. Даже в астрономии аналогичный принцип: выбор верного ракурса наблюдения помогает увидеть тусклые космические пылевые облака, которые иначе остались бы невидимыми на фоне ярких звёзд.