สมาร์ทโฟนได้รับการสอนให้เดาความต้องการของผู้ใช้ด้วยการจ้องมอง
สิ่งนี้มีประโยชน์เพื่อให้ผู้ช่วยเสียงสามารถตอบคําถาม: "ทํางานกี่โมง"ร้านนี้เหรอ" ตอนนี้ด้วยคําขอดังกล่าวสมาร์ทโฟนของคุณจะไม่เข้าใจว่าร้าน "นี้" เกี่ยวกับอะไรอย่างไรก็ตามด้วยเทคโนโลยีใหม่ของนักพัฒนาอุปกรณ์จะสามารถระบุสถานประกอบการได้อย่างแม่นยําเพียงแค่ใช้ทั้งกล้องหน้าและกล้องหลัก
เพื่อเปลี่ยนความคิดให้กลายเป็นความจริง วิศวกรใช้ iPhone กับ iOS 13 โดยในเวอร์ชั่นนี้ระบบจะให้คุณใช้กล้องสองตัวพร้อมกันได้ นักพัฒนาใช้ API ของระบบเพื่อติดตามตำแหน่งศีรษะเพื่อกำหนดทิศทางของการจ้องมอง
วัตถุได้รับการยอมรับโดยกรอบงานพิเศษ จากนั้นโปรแกรมจะฟังคำขอของผู้ใช้เปรียบเทียบคำสรรพนามสาธิตกับวัตถุและหลังจากนั้นจะสร้างคำสั่งสุดท้ายสำหรับผู้ช่วยเสียง