InstructAvatar ist eine innovative, textgesteuerte Methode zur Erzeugung von 2D-Avataren mit ausdrucksstarker Emotionalität. Das Modell steuert die Emotionen und Gesichtsbewegungen des Avatars über eine natürliche Sprachschnittstelle und bietet eine feingranulare Steuerung, verbesserte Interaktivität und verallgemeinerte Fähigkeiten für die Videogenerierung. Es wurde ein automatisierter Annotationsprozess entwickelt, um einen Trainingsdatensatz aus Anweisungen und Videopaaren zu erstellen, und es ist mit einem neuartigen zweistufigen Diffusionsgenerator ausgestattet, der Avatare sowohl anhand von Audio- als auch Textanweisungen vorhersagen kann. Die Ergebnisse zeigen, dass InstructAvatar bestehende Methoden in Bezug auf feingranulare Emotionssteuerung, Qualität der Lippensynchronisation und Natürlichkeit übertrifft.