Se presenta una nueva técnica generativa en este documento que utiliza Aprendizaje Profundo para reconstruir espectros estelares basados en un conjunto de parámetros estelares. Se entrenaron dos Redes Neuronales diferentes que permiten la generación de nuevos espectros. Primero, se entrena un autoencoder con un conjunto de datos sintéticos BAFGK calculados utilizando atmósferas modelo y un código de transferencia radiativa. Estos espectros se calculan en el rango de longitudes de onda del RVS de Gaia entre 8400 y 8800 Å. En segundo lugar, entrenamos una Red Neuronal Densa Completa para relacionar los parámetros estelares con el Espacio Latente del autoencoder. Finalmente, vinculamos la Red Neuronal Densa Completa a la parte del decodificador del autoencoder y construimos un modelo que utiliza como entrada cualquier combinación de , , , , y y produce un espectro normalizado. Se demuestra que los espectros generados representan todos los perfiles de línea y valores de flujo como los calculados utilizando el código de transferencia radiativa clásico. La precisión de nuestra técnica se prueba utilizando un procedimiento de determinación de parámetros estelares y los resultados muestran que los espectros generados tienen las mismas características que los sintéticos.