InstructAvatar是一个创新的文本引导方法，用于生成具有丰富情感表达的2D头像。该模型通过自然语言接口控制头像的情感和面部动作，提供了细粒度控制、改进的交互性和对生成视频的泛化能力。它设计了一个自动化注释流程来构建指令-视频配对的训练数据集，并配备了一个新颖的双分支扩散基础生成器，可以同时根据音频和文本指令预测头像。实验结果表明，InstructAvatar在细粒度情感控制、唇同步质量和自然度方面均优于现有方法。