Naukowcy badali, czy głębokie sieci neuronowe uczone do reprezentacji głosów mogą rozpoznawać osoby mówiące w różnych językach - pytanie fundamentalne dla prakrycznego zastosowania technologii identyfikacji głosu. Eksperyment przeprowadzono na mowie bilingwalnej cantonsko-angielskiej, porównując podobieństwo głosów uzyskane z 18 nowoczesnych modeli ze zbiorem ocen ludzi i cechami akustycznymi. Okazało się, że sieci neuronowe rzeczywiście potrafią generalizować wiedzę o głosach między językami, wykazując dokładną dyskryminację tożsamości osoby i wrażliwość na zmianę języka.
Kluczowe odkrycie polega na tym, że cross-language generalisation sieci neuronowych odzwierciedla nie tylko ludzkie zachowanie, ale również sposoby, w które ludzie przetwarzają głos. Oba systemy - człowiek i maszyna - polegają na podobnym zestawie sygnałów akustycznych, lecz przywiązują im różne znaczenie w zależności od kontekstu językowego. Oznacza to, że sieci neuronowe nie tylko działają dobrze w praktyce, ale robią to w sposób fundamentalnie zbliżony do mechanizmów percepcji ludzkiej.
Wyniki te mają znaczenie dla rozwoju sistemów biometrycznych i asystentów głosowych pracujących w wielojęzycznych środowiskach. Potwierdzają także, że głębokie sieci neuronowe mogą spontanicznie przyswajać struktury zbliżone do ludzkiej percepcji, nawet bez jawnego programowania takich podobieństw. To wzajemne wyrównanie między maszyną a człowiekiem w przetwarzaniu podobieństwa głosów otwiera perspektywy dla bardziej intuicyjnych i wiarygodnych systemów interakcji głosowej.