Bedingte generative Modelle haben in den letzten Jahren bemerkenswerte Fortschritte gemacht. Ein populäres bedingtes Modell ist das Auxiliary Classifier GAN (AC-GAN), das durch die Erweiterung der Verlustfunktion des GANs mit einem Hilfsklassifizierer hochdiskriminative Bilder erzeugt. Allerdings neigt die Vielfalt der von AC-GAN generierten Stichproben dazu, mit zunehmender Anzahl von Klassen abzunehmen, was seine Leistung bei großen Datensätzen einschränkt. In dieser Arbeit identifizieren wir die Ursache des geringen Vielfaltproblems theoretisch und schlagen eine praktische Lösung vor, um das Problem zu lösen. Wir zeigen, dass der Hilfsklassifizierer im AC-GAN perfekte Separierbarkeit verlangt, was nachteilig ist, wenn die Träger der Klassendistributionen einen signifikanten Überlapp haben. Um dieses Problem anzugehen, schlagen wir das Twin Auxiliary Classifiers Generative Adversarial Net (TAC-GAN) vor, das von einem neuen Spieler profitiert, der mit den anderen Spielern (dem Generator und dem Diskriminator) im GAN interagiert. Theoretisch demonstrieren wir, dass TAC-GAN die Divergenz zwischen den generierten und den echten Datenverteilungen effektiv minimieren kann. Ausführliche experimentelle Ergebnisse zeigen, dass unser TAC-GAN die echten Datenverteilungen auf simulierten Daten erfolgreich replizieren kann und die Vielfalt der klassenbedingten Bildgenerierung auf realen Datensätzen erheblich verbessert.