該研究與已知的“雞尾酒會效應（cocktail party effect）”有關。所謂“雞尾酒會效應”，指的是人的一種聽力選擇能力，在這種情況下，注意力集中在某一個人的談話之中而忽略背景中其他的對話或噪音，該效應揭示了人類聽覺系統(tǒng)中令人驚奇的能力，即我們可以在噪聲中談話。
 

同理，谷歌的這項研究可以讓人工智能模仿大腦，在一個充滿干擾的環(huán)境中（例如到處都有其他的人在說話），將注意力集中在一個單獨的物體（例如某一個人）的能力。

人工智能模型通常很難以相同的效果調整外部輸入，特別是當涉及包含多個聲音的音頻流時更是如此。這已被證明是語音識別領域的主要挑戰(zhàn)，這是當今神經網絡的主要應用領域之一。

谷歌表示，其研究人員通過開發(fā)一種考慮到不同類型信息的深度學習模型的做法克服了這一障礙：視覺輸入。該技術被設計用于處理視頻，該人工智能可以分析剪輯中顯示的人物的嘴部動作，以使每個人都能與他們發(fā)出的聲音進行匹配。一旦它建立起了必要的關聯(lián)關系，模型就可以將單個的語音軌道分開。

教會人工智能有效地完成這項任務并不是一件容易的事。谷歌的研究人員從YouTube上收集了100，000個視頻，提取了每個包含每個發(fā)言人聲音的音頻片段，然后將這些片段拼接成具有多個音軌的“合成雞尾酒會”。該小組使用這個數據集來訓練模型，以便在各種條件下都能夠將說話者的聲音與其他聲音分開。

谷歌表示，結果是用戶可以點擊他們希望聽到的人的臉部，并讓視頻中的其他說話的人自動靜音。該技術對這家搜索巨頭來說有很多潛在的用途。

對于初學者來說，谷歌可以在YouTube中使用這個人工智能版本，讓用戶調出剪輯中的一些聲音。對于在嘈雜的環(huán)境中錄制的視頻來說，這可能是一個特別大的便利，在這樣的環(huán)境中有時候會難以聽到發(fā)言者的聲音。

該人工智能也有可能會改善Hangouts和Meet——谷歌的視頻會議服務——的用戶體驗，它能夠讓會議的參與者更容易地專注于特定的人的語音。該搜索巨頭甚至相信這項技術可以應用于醫(yī)療領域，例如可以開發(fā)出更復雜的助聽器。