Les conversations possèdent une propriété intrinsèque de type un-à-plusieurs, ce qui signifie que plusieurs réponses peuvent être appropriées pour le même contexte de dialogue. Dans les dialogues orientés vers une tâche, cette propriété conduit à différentes politiques de dialogue valides en vue de l'accomplissement de la tâche. Cependant, aucune des approches existantes de génération de dialogues orientés vers une tâche ne prend en compte cette propriété. Nous proposons un cadre de Multi-Action Data Augmentation (MADA) pour exploiter la propriété un-à-plusieurs afin de générer des réponses de dialogue variées et appropriées. Plus précisément, nous utilisons d'abord les états du dialogue pour résumer l'historique du dialogue, puis nous découvrons toutes les correspondances possibles entre chaque état du dialogue et ses différentes actions systèmes valides. Au cours de l'entraînement du système de dialogue, nous permettons à l'état actuel du dialogue de se mapper sur toutes les actions systèmes valides découvertes lors du processus précédent, créant ainsi des paires d'état-action supplémentaires. En intégrant ces paires supplémentaires, la politique de dialogue apprend une distribution d'actions équilibrée, ce qui guide davantage le modèle de dialogue à générer des réponses variées. Les résultats expérimentaux montrent que le cadre proposé améliore constamment la diversité des politiques de dialogue et entraîne une meilleure diversité et pertinence des réponses. Notre modèle obtient des résultats d'état de l'art sur MultiWOZ.