Model utrzymuje ciągły strumień wejścia audio i ciągły strumień wyjścia audio. Warstwa decyzyjna kilkadziesiąt razy na sekundę wybiera jedną z akcji: mów, słuchaj, pauzuj, przerwij, wywołaj narzędzie. Deep-work zapytania (wyszukiwanie w sieci, wieloetapowe rozumowanie) są przekazywane do modelu rozumującego w tle (np. GPT-5.5), którego odpowiedź jest wplatana w rozmowę bez przerywania jej rytmu. Model utrzymuje wewnętrzny stan tempa, głośności, tonu użytkownika oraz szumu tła, żeby odróżnić realne końce tur od chwilowego namysłu.
Rozwiązuje sztywność interakcji głosowych opartych na turach: długie pauzy, przerywania w nienaturalnych momentach, wysoką latencję pipeline'u STT → LLM → TTS oraz trudność w prowadzeniu naturalnej rozmowy z aktywnym słuchaniem.
