El aprendizaje profundo se ha convertido en una herramienta poderosa para clasificar automáticamente las modulaciones en las señales de radio recibidas, una tarea tradicionalmente dependiente de la experiencia manual. Sin embargo, la efectividad de los modelos de aprendizaje profundo depende de la disponibilidad de datos sustanciales. La disponibilidad limitada de datos de entrenamiento a menudo resulta en sobreajuste, lo que impacta significativamente en la precisión de la clasificación. Métodos tradicionales de aumento de señal como la rotación y el volteo se han utilizado para mitigar este problema, pero su efectividad en enriquecer conjuntos de datos es algo limitada. Este documento presenta el algoritmo de Aumento de Señal de Radio basado en Difusión (DiRSA), un método de aumento de señal novedoso que mejora significativamente la escala del conjunto de datos sin comprometer la integridad de la señal. Utilizando palabras clave para una generación precisa de señales, DiRSA permite un control de modulación flexible y expande significativamente el conjunto de datos de entrenamiento más allá de la escala original. Evaluaciones extensas demuestran que DiRSA supera a técnicas tradicionales de aumento de señal como la rotación y el volteo. Específicamente, cuando se aplica con el modelo LSTM en escenarios de conjuntos de datos pequeños, DiRSA mejora el rendimiento de clasificación de modulación en SNR por encima de 0 dB en un 6%.