La génération de signaux sismiques synthétiques joue un rôle essentiel dans diverses applications

géophysiques, notamment l'imagerie, l'exploration sismique et la simulation de tremblements de terre. Les méthodes traditionnelles de génération de signaux sismiques reposent souvent sur des modèles em- piriques ou des simulations numériques, limitant ainsi leur capacité à saisir la nature complexe et dy- namique des données sismiques réelles. Ces dernières années, les techniques d'apprentissage profond sont apparues comme des outils puissants pour les tâches de génération de séries temporelles, images, vidéos, texte. Dans cette étude, nous proposons un nouveau modèle d'apprentissage profond qui utilise la diffusion générative pour permettre la génération de signaux sismiques à large bande de fréquence (0-30 Hz), de manière conditionnelle et inconditionnelle. En adoptant une approche basée sur la diffusion, le modèle capture les dépendances temporelles inhérentes aux données sismiques. Les résultats montrent que notre modèle d'apprentissage profond basé sur la diffusion générative permet la génération de si- gnaux sismiques à large bande de fréquence et de haute fidélité. Les signaux synthétiques ainsi générés présentent des caractéristiques sismiques réalistes, en temps et en fréquence, les rendant adaptés à des applications telles que l'augmentation des données sismiques, l'amélioration de la modélisation sismique synthétique et la détection d'anomalies sismiques.