InstructAvatar es un innovador método guiado por texto para generar avatares 2D con una rica expresión emocional. El modelo controla las emociones y los movimientos faciales del avatar a través de una interfaz de lenguaje natural, ofreciendo control de grano fino, una interactividad mejorada y capacidad de generalización para la generación de videos. Diseña un flujo de anotación automatizado para construir un conjunto de datos de entrenamiento de pares instrucción-video, y está equipado con un novedoso generador de difusión de doble rama que puede predecir avatares simultáneamente basándose en instrucciones de audio y texto. Los resultados experimentales muestran que InstructAvatar supera a los métodos existentes en el control de emociones de grano fino, la calidad de la sincronización labial y la naturalidad.