InstructAvatar é um método inovador guiado por texto para gerar avatares 2D com ricas expressões emocionais. O modelo controla as emoções e os movimentos faciais do avatar por meio de uma interface de linguagem natural, oferecendo controle granular, interatividade aprimorada e capacidade de generalização para vídeos gerados. Ele foi projetado com um processo de anotação automatizado para construir um conjunto de dados de treinamento de pares instrução-vídeo e vem equipado com um novo gerador de difusão de dois ramos que pode prever avatares simultaneamente com base em instruções de áudio e texto. Os resultados experimentais mostram que o InstructAvatar supera os métodos existentes em termos de controle emocional granular, qualidade de sincronização labial e naturalidade.