Bedingte generative Modelle haben in den letzten Jahren erhebliche Fortschritte erzielt. Ein beliebtes bedingtes Modell ist der Auxiliary Classifier GAN (AC-GAN), der hochdiskriminative Bilder erzeugt, indem die Verlustfunktion des GAN durch einen zusätzlichen Hilfsklassifikator erweitert wird. Allerdings neigt die Vielfalt der generierten Samples bei AC-GAN dazu, mit steigender Anzahl an Klassen abzunehmen. In diesem Artikel identifizieren wir theoretisch die Ursache dieses Problems der geringen Vielfalt und schlagen eine praktikable Lösung vor. Wir zeigen, dass der Hilfsklassifikator im AC-GAN eine perfekte Trennbarkeit erzwingt, was nachteilig ist, wenn sich die Träger der Klassenverteilungen erheblich überlappen. Um dieses Problem zu lösen, schlagen wir den Twin Auxiliary Classifiers Generative Adversarial Net (TAC-GAN) vor, der einen neuen Spieler einführt, der mit den anderen Spielern (Generator und Diskriminator) im GAN interagiert. Theoretisch zeigen wir, dass unser TAC-GAN die Divergenz zwischen der generierten und der echten Datenverteilung effektiv minimieren kann. Ausführliche experimentelle Ergebnisse belegen, dass unser TAC-GAN die wahre Datenverteilung auf simulierten Daten erfolgreich replizieren kann und die Vielfalt der klassenbedingten Bildgenerierung auf realen Datensätzen erheblich verbessert.