Il peut transcrire, distinguer les locuteurs, horodater les mots et accomplir certaines tâches de traduction ou de questions sur l’audio. Les fonctions disponibles varient selon la langue ; distinguer des voix ne permet pas d’identifier les personnes.
La fiche décrit environ 34 milliards de paramètres au total, dont 4,3 milliards actifs, et un déploiement de référence sur une carte H100 de 80 Go. Des versions compressées sont proposées. La licence OpenMDW-1.1 autorise des usages commerciaux et non commerciaux sous ses conditions. Le traitement concerne des fichiers, pas un flux en direct ; les scores annoncés par Nvidia ne remplacent pas une évaluation sur les enregistrements de l’utilisateur.