La predicción precisa del precio del petróleo crudo es esencial, considerando el papel crítico del petróleo en la economía global. Sin embargo, el mercado del petróleo crudo está significativamente influenciado por eventos externos y transitorios, lo que plantea desafíos para capturar la compleja dinámica y las incertidumbres de las fluctuaciones de precios. Los modelos tradicionales de pronóstico de series temporales, como ARIMA y LSTM, a menudo se basan en suposiciones sobre la estructura de los datos, lo que limita su flexibilidad para estimar la volatilidad o tener en cuenta los impactos externos de manera efectiva. La investigación reciente destaca a las Redes Generativas Antagónicas (GANs) como un enfoque alternativo prometedor para capturar patrones intrincados en los datos de series temporales, aprovechando el marco de aprendizaje adversarial. Este documento presenta un Generador Adversario Condicional impulsado por Petróleo Crudo (CO-CGAN), un modelo híbrido para mejorar la predicción del precio del petróleo crudo mediante la combinación de marcos avanzados de IA (GANs), análisis de sentimiento del mercado petrolero y modelos estocásticos de difusión de saltos. Al emplear un entrenamiento supervisado condicional, se preserva la estructura inherente de la distribución de datos, lo que permite pronósticos de precios más precisos y confiables de manera probabilística. Además, el CO-CGAN integra un proceso de Lévy y características de sentimiento para tener en cuenta de manera más efectiva las incertidumbres y los impactos de precios en el mercado de petróleo crudo. Las evaluaciones experimentales en dos conjuntos de datos de precios del petróleo del mundo real demuestran el rendimiento superior del modelo propuesto, logrando un Error Cuadrático Medio (MSE) de 0.000054 y superando a los modelos de referencia.