VASA-1 sfrutta l'apprendimento automatico per analizzare un'immagine statica e una clip audio, generando un video realistico con espressioni facciali precise, movimenti della testa e sincronizzazione labiale all'audio. Addestrato su un vasto dataset di celebrità, può generare video fino a 40 frame al secondo con risoluzione di 512x512 pixel.
I possibili utilizzi di questa tecnologia vanno dal mondo educativo a quello aziendale, ma c'è preoccupazione per un possibile uso improprio, come la creazione di video con persone note che fanno e dicono cose inventate, la diffusione di misinformazione e disinformazione, e la creazione di personaggi digitali per interferire nelle elezioni politiche o per creare pornografia non consensuale.