Un problema importante que afecta el rendimiento de la traducción automática neuronal es la cantidad de datos paralelos disponibles. Para los idiomas de bajos recursos, la cantidad de datos paralelos no es suficiente, lo que resulta en una calidad de traducción deficiente. En este artículo, proponemos un método de aumento de datos de diversidad que no utiliza datos monolingües adicionales. Ampliamos los datos de entrenamiento generando datos pseudo paralelos de diversidad en los lados de origen y destino. Para generar datos de diversidad, se emplea una estrategia de muestreo restringido en los pasos de decodificación. Finalmente, filtramos y fusionamos los datos originales y el corpus paralelo sintético para entrenar el modelo final. En el experimento, el enfoque propuesto logró 1.96 puntos BLEU en las tareas de traducción alemán-inglés de IWSLT2014, que se utilizó para simular un idioma de bajos recursos. Nuestro enfoque también obtuvo de manera consistente y sustancial una mejora de 1.0 a 2.0 puntos BLEU en tres otras tareas de traducción de bajos recursos, incluyendo las tareas de traducción inglés-turco, nepalí-inglés y cingalés-inglés.