Google scholar Enric Corona och hans team har utvecklat en verktyg som kallas VLOGGER som kan generera högupplösta videor av personer som pratar utifrån en enda fotograf. Verktyget kan animera videorna för att noggrant återge ansiktsuttryck och kroppsrörelser, vilket gör det till en högfidelitetsavatar. Teamet föreslår att VLOGGER kan användas inom helpdesk-avatarer, onlinekommunikation, utbildning och personliga virtuella assistenter. Dock kan det också potentiellt missbrukas för att skapa deepfakes eller manipulerade videor.

VLOGGER kombinerar multimodalitet, stora språkmodeller och diffusionstekniker för att skapa realistiska videor. Teamet tränade en neural nätverk för att associera ljud med videobilder för att synkronisera rörelser och ansiktsuttryck. Verktyget kan ytterligare anpassas genom finjustering och erbjuder kontroll över funktioner som blinkningar och munrörelser. Medan VLOGGER ger en möjlighet att manipulera högupplösta videor, kvarstår bekymmer om potentiellt missbruk och behovet av att upptäcka deepfakes.