Google Scholar Enric Corona og hans hold har udviklet et værktøj kaldet VLOGGER, der kan generere videoer i høj opløsning af mennesker, der taler, baseret på et enkelt fotografi. Værktøjet kan animere videoer for at præcist gengive ansigtsudtryk og kropsbevægelser, hvilket gør det til en "avatar" af høj troværdighed. Holdet foreslår, at VLOGGER kunne have anvendelser inden for helpdesk-avatarer, online kommunikation, uddannelse og personaliserede virtuelle assistenter. Dog kan det også potentielt misbruges til at skabe deepfakes eller manipulerede videoer.

VLOGGER kombinerer multimodalitet, store sprogmodeller og diffusionsteknikker for at skabe realistiske videoer. Holdet trænede et neuralt netværk til at associere lyd med videobilleder for at synkronisere bevægelse og udtryk. Værktøjet kan yderligere personaliseres gennem finjustering og tilbyder kontrol over funktioner som blink og mundbevægelser. Mens VLOGGER giver mulighed for at manipulere videoer i høj opløsning, fortsætter bekymringer om potentiel misbrug og behovet for at opdage deepfakes.