Мультимодальная модель для потокового аудиовизуального диалога с речевыми ответами, в которой снижена частота отказов.

Подходит для: ведение голосового диалога с перебиваниями в реальном времени · ответы на вопросы по видео и аудио · обсуждение изображений голосом или текстом