يجمع النموذج مشفراً من Whisper مع قاعدة Gemma 4، ويحتفظ بإدخال النص والصور. ويتطلب إنشاء مساعد يتحدث إضافة نظام خارجي لتوليد الصوت ومنطق لإدارة تبادل الأدوار في المحادثة.
وتحذر بطاقة النموذج من تفاوت الأداء بين اللغات وتأثر النتائج بالضوضاء والتسجيلات الطويلة وإمكان وقوع أخطاء في استدعاءات الأدوات. ولا تضمن نتائج الفريق الأداء نفسه في تطبيق آخر.