Bu kliplər, Şimali Amerika, Asiya və Avropadakı şəhər və kənd küçələrindən alınan statik görüntülər və ətraf səslərindən ibarətdir. YouTube videolarından götürülmüş bu məlumatlar əsasında dərin öyrənmə alqoritmləri, hansı səslərin görüntülərdəki hansı elementlərə uyğun gəldiyini və hansı səs xüsusiyyətlərinin hansı vizual mühitlərlə əlaqəli olduğunu öyrənib. Təlim başa çatdıqdan sonra sistemdən 100 fərqli küçə görüntüsü videosunun yalnız qeydə alınmış ətraf səsinə əsasən görüntülər yaratması tələb olunub və hər video üçün 1 görüntü yaradılıb.

     

Daha sonra bir qrup münsif bu görüntülərin hər birini digər küçələrə aid 2 fərqli hazırlanmış görüntü ilə müqayisə edərək əsas götürülmüş video səs yazısını dinləyib. Daha sonra 3 görüntü arasından hansının səs yazısına uyğun gəldiyini müəyyən etmələri istənib və bu, 80% dəqiqliklə doğru müəyyən olunub. Bundan əlavə, yaradılmış görüntülərin kompüter analizi onu göstərib ki, həmin görüntülərdə səmanın, yaşıllıqların və binaların nisbətləri orijinal videolarla güclü şəkildə uyğun gəlir. Hətta bir çox hallarda yaradılmış görüntülər, mənbə videoların işıqlandırma şəraitini – məsələn, günəşli, buludlu və ya gecə olduğunu da əks etdirib. Bu, ehtimal ki, gecə azalan nəqliyyat səsləri və ya gecə həşəratlarının səsləri kimi faktorların nəticəsi ola bilər.