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，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出的聲音進行匹配。一旦它建立起了必要的關聯關系，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，在這樣的環境中有時候會難以聽到發言者的聲音。

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療領域，例如可以開發出更復雜的助聽器。