我们提出了一种机器人学习方法，解决了视频规划中的任务沟通、可控视频生成和视觉规划转化为机器人动作等挑战。通过语言手势调节生成视频，简化了复杂环境中的任务执行，展示了其在通用任务规划中的有效性。