VoiceCAIWAソリューションをサーバモデルで提供する場合は、VoiceCAIWAエンジンとナレッジベース（知識ベース）、さらに回答文と同時に出力する動画やナレーション音声等のマルチメディアデータを登載したVoiceCAIWAサーバを構築し、WEBサーバとLANもしくはWAN（インターネット）で結合します。

ユーザーがCAIWAコンテンツ配信サイトにアクセスし、WEB上のCAIWAコンテンツに音声で発話をすると、VoiceCAIWAサーバが回答文を検索し、テキスト文や音声で回答を返すとともに、動画やナレーションなどを指定した指示タイミングで出力いたします。