Desarrollar modelos precisos de aprendizaje profundo (DL) para predecir el desgaste de herramientas es un desafío, especialmente debido a la escasez de datos experimentales. Para abordar este problema, este documento introduce un enfoque innovador que aprovecha las capacidades de las redes generativas adversarias tabulares (TGAN) y la red generativa adversaria de imagen única condicional (ConSinGAN). Estos modelos se utilizan para generar datos sintéticos, enriqueciendo así el conjunto de datos y mejorando la robustez de los modelos predictivos. La eficacia de esta metodología fue evaluada rigurosamente utilizando conjuntos de datos de fresado disponibles públicamente. El preprocesamiento de los datos de emisión acústica involucró la aplicación de la transformada de Walsh-Hadamard, seguida por la generación de espectrogramas. Estos espectrogramas se utilizaron para extraer atributos estadísticos, formando un vector de características completo para la entrada del modelo. Se aplicaron tres modelos de DL - codificador-decodificador de memoria a largo plazo (ED-LSTM), unidad recurrente con compuertas (GRU) y red neuronal convolucional (CNN) - para evaluar sus capacidades de predicción de desgaste de herramientas. La aplicación de validación cruzada de 10 pliegues en estos modelos arrojó valores excepcionalmente bajos de RMSE y MAE de 0.02 y 0.16, respectivamente, subrayando la efectividad de este enfoque. Los resultados no solo resaltan el potencial de TGAN y ConSinGAN para mitigar la escasez de datos, sino que también demuestran mejoras significativas en la precisión de las predicciones de desgaste de herramientas, allanando el camino para un mantenimiento predictivo más confiable y preciso en los procesos de fabricación.