व्लॉगर एक ऐसी विधि है जो एकल व्यक्ति इनपुट छवि से टेक्स्ट और ऑडियो-संचालित बोलने वाले मानव वीडियो उत्पन्न करती है, यह हाल ही में विकसित डिफ्यूज़न मॉडल की सफलता पर आधारित है। हमारी विधि में शामिल हैं: 1) एक यादृच्छिक मानव-से-3डी-मोशन डिफ्यूज़न मॉडल, और 2) एक नया डिफ्यूज़न-आधारित आर्किटेक्चर जो टेक्स्ट-टू-इमेज मॉडल को समय और स्थान पर नियंत्रित करने में वृद्धि करता है। यह विधि परिवर्तनशील लंबाई के उच्च-गुणवत्ता वाले वीडियो उत्पन्न करने में सक्षम है और मानव चेहरे और शरीर के उन्नत अभिव्यक्तियों पर आसानी से नियंत्रण प्रदान करती है। पिछले कार्यों के विपरीत, हमारी विधि को प्रत्येक व्यक्ति के लिए प्रशिक्षित करने की आवश्यकता नहीं होती है, न ही यह फेस डिटेक्शन और क्रॉपिंग पर निर्भर करती है, यह पूरी छवि (केवल चेहरे या होंठों के बजाय) उत्पन्न करती है, और संवाद करने वाले मानव के लिए आवश्यक व्यापक दृश्यों (जैसे दिखाई देने वाला धड़ या विविधतापूर्ण शरीर की पहचान) को ध्यान में रखती है।