La génération de mouvements de danse de groupe à partir de la musique est une tâche complexe avec plusieurs applications industrielles. Bien que plusieurs méthodes aient été proposées pour aborder ce problème, la plupart d'entre elles privilégient l'optimisation de la fidélité des mouvements de danse, limitée par un nombre prédéfini de danseurs dans les jeux de données. Cette limitation entrave l'adaptabilité aux applications réelles. Notre étude traite le problème d'évolutivité dans la chorégraphie de groupe tout en préservant la naturel et la synchronisation. Plus particulièrement, nous proposons un modèle génératif variationnel basé sur les phases pour la génération de danse de groupe, en apprenant une variété générative (generative manifold). Notre méthode atteint une haute fidélité dans les mouvements de danse de groupe et permet la génération avec un nombre illimité de danseurs tout en consommant une quantité minimale et constante de mémoire. Les expériences intensives menées sur deux jeux de données publics montrent que notre méthode proposée surpass largement les approches les plus récentes et performantes, et qu'elle est évolutivable à un grand nombre de danseurs au-delà des données d'entraînement.