Informamos sobre la efectividad de utilizar redes neuronales generativas en el diseño de antenas. Consideramos el modelado de antenas de microcinta ya que tienen ventajas significativas, como un perfil bajo, ligereza y facilidad de fabricación, lo que las hace versátiles para diversas aplicaciones. Diseñamos, entrenamos y analizamos modelos generativos aplicados al modelado de estas antenas sin perder la generalizabilidad de la aplicación de estos modelos a cualquier antena. Comenzamos con una Red Generativa Adversarial (GAN), que fue entrenada con datos relacionados con los modelos de antenas para operar dentro del rango de frecuencia de 1 a 30 GHz. El uso de los datos sintéticos producidos por la GAN resultó en diseños de antenas con dimensiones y propiedades electromagnéticas muy cercanas a los valores esperados. A continuación, se desarrolló un modelo utilizando una Red Generativa Adversarial Condicional (CGAN), que fue entrenada para generar datos característicos de antenas condicionados a una frecuencia central arbitraria, es decir, 2.4 GHz (generalmente utilizada para tecnologías Bluetooth, Wi-Fi y ZigBee), para permitir un mejor control sobre el proceso de generación de estos datos sintéticos. El modelo CGAN pudo generar satisfactoriamente datos sintéticos para este rango de frecuencia, considerando simultáneamente sustratos con diferentes permitividades dieléctricas. Este estudio revela que ambos modelos generativos podrían producir datos sintéticos muy cercanos a los datos esperados, como lo demuestran los bajos valores de error. Además, en términos de aplicación, los modelos podrían proporcionar tanto geometrías como más de una característica de antena (resonancia, ancho de banda y factor de calidad), lo que es muy útil para la aplicación directa en diseños prácticos.