Google Scholar Enric Corona et son équipe ont développé un outil appelé VLOGGER qui peut générer des vidéos haute résolution de personnes en train de parler à partir d'une seule photographie. Cet outil peut animer les vidéos pour représenter avec précision les expressions faciales et les mouvements du corps, en en faisant un "avatar" de haute fidélité. L'équipe suggère que VLOGGER pourrait avoir des applications dans les avatars d'aide, la communication en ligne, l'éducation et les assistants virtuels personnalisés. Cependant, il pourrait également être potentiellement détourné pour créer des vidéos deepfake ou manipulées.

VLOGGER combine plusieurs modalités, de grands modèles de langage et des techniques de diffusion pour créer des vidéos réalistes. L'équipe a entraîné un réseau neuronal à associer l'audio aux images vidéo afin de synchroniser les mouvements et les expressions. L'outil peut également être personnalisé davantage grâce à un ajustement fin et permet de contrôler des caractéristiques telles que le clignement des yeux et les mouvements de la bouche. Bien que VLOGGER offre un moyen de manipuler des vidéos haute résolution, des préoccupations concernant la possibilité de détournement et la nécessité de détecter les deepfakes persistent.