光聽聲音就能辨識出誰是說話者，只有人類能嫻熟地做到，機器與人工智慧雖沒麼聰明，但已漸有起色（如Google智慧喇叭能辨別同時說話的人），近期有開發者以Google深度學習（deep learning）工具研發了一個「神經網路模型」，可只靠人類講話的臉部表情、嘴型來挑出特定聲音，在辨別的過程中會將聲音片段（包含背景音）餵給AI人工智慧來分離，最後從多個聲音中「分離」出獨立音軌。而結果也令人驚訝，開發者實際拿康納脫口秀的影片來測試，影片中兩個不同藝人講同時講著相聲，藉由嘴型的辨識，AI就能清楚地分離音軌，而在麥克風擋住藝人臉部時，效果仍不打折扣。

Google試著將這個「辨識並分離特定音軌」的功能加入旗下的語音聊天服務，像是Hangouts或Duo，讓你在吵雜的聊天室也能聽清楚重要對象講的話，提升語音聊天的品質，同時，這也對錄影時的人聲增強很有用，有助於聽器的開發。雖然這個功能有潛在爭議，例如公開竊聽等，到時要如何規範與現制，也會是開發者未來的課題。