Unterstützt Echtzeit-Sprachübersetzung für fast 100 Sprachen mit einer Latenz von ca. 2 Sekunden. Kann Pausen, Tonfall und Geschwindigkeit der Sprache detailgetreu reproduzieren. Verwendet eine nicht-autoregressive Architektur, die die Übersetzung langer Sequenzen ermöglicht. Veröffentlichung von vier Übersetzungsmodellen sowie zugehörigen Daten und Tools. Integrierter Audio-Wasserzeichen zur Verhinderung von Missbrauch und Reduzierung der Toxizität von Übersetzungen.