Les modèles génératifs conditionnels ont connu des progrès remarquables ces dernières années. L'un des modèles conditionnels les plus populaires est le Generative Adversarial Network avec Classificateur Auxiliaire (AC-GAN), qui génère des images hautement discriminantes en étendant la fonction de perte du GAN avec un classificateur auxiliaire. Cependant, la diversité des échantillons générés par l'AC-GAN tend à diminuer lorsque le nombre de classes augmente, ce qui limite sa puissance sur des données à grande échelle. Dans cet article, nous identifions théoriquement la source du problème de faible diversité et proposons une solution pratique pour résoudre ce problème. Nous montrons que le classificateur auxiliaire dans l'AC-GAN impose une séparabilité parfaite, ce qui est désavantageux lorsque les supports des distributions de classe ont une chevauchement significatif. Pour remédier à ce problème, nous proposons le Twin Auxiliary Classifiers Generative Adversarial Net (TAC-GAN) qui bénéficie d'un nouveau joueur interagissant avec les autres joueurs (le générateur et le discriminateur) dans le GAN. Théoriquement, nous démontrons que le TAC-GAN peut minimiser efficacement la divergence entre les distributions de données générées et réelles. Des résultats expérimentaux approfondis montrent que notre TAC-GAN peut réussir à reproduire les distributions de données réelles sur des données simulées, et améliore considérablement la diversité de la génération d'images conditionnelles par classe sur des jeux de données réels.