缺陷：

1. 复杂场景描述形的文本prompt，无法生效。（无法生成与文本对应的复杂场景）
2. 表情不受控制，人物只会毫无表情地说话
3. 当我文本不指定背景描述时，背景就会混乱。无法很好地建模背景，更别说复杂场景了。

创新点：

1. 人物、场景（前景、背景）都可高质量建模的视频生成 【id-animator的升级版】

   ---

2. 表情可控的、id保持的、符合文本描述的人脸肖像。【id保持、表情可控】

输入：image + text

“Spider Man” + “Happy”

输出: video

need-to-do

表情动态控制

文献

1. 《GAIA: ZERO-SHOT TALKING AVATAR GENERATION》
2. 《VASA-1: Lifelike Audio-Driven Talking Faces Generated in Real Time》
3. 《InstructAvatar: Text-Guided Emotion and Motion Control for Avatar Generation》
4. 《FlowVQTalker: High-Quality Emotional Talking Face Generation through Normalizing Flow and Quantization》
5. 《EMOPortraits: Emotion-enhanced Multimodal One-shot Head Avatars》