En los procesos de producción reales, las tareas de análisis y predicción suelen depender comúnmente de grandes cantidades de datos de series temporales. Sin embargo, los escenarios del mundo real a menudo enfrentan problemas como datos insuficientes o desequilibrados, lo que impacta severamente la precisión del análisis y las predicciones. Para abordar este desafío, este documento propone un modelo de transferencia de doble capa basado en Redes Generativas Adversarias (GANs) con el objetivo de mejorar la velocidad de entrenamiento y la calidad de generación de la ampliación de datos de series temporales bajo condiciones de muestra pequeña, al tiempo que reduce la dependencia de grandes conjuntos de datos de entrenamiento. Este método introduce una estrategia de transferencia de módulo basada en el marco GAN tradicional que equilibra el entrenamiento entre el discriminador y el generador, mejorando así el rendimiento del modelo y la velocidad de convergencia. Al emplear una estructura de red de doble capa para transferir las características de las señales de series temporales, el modelo reduce efectivamente la generación de ruido y otras características irrelevantes, mejorando la similitud de las características de las señales generadas. Este documento utiliza señales de voz como estudio de caso, abordando escenarios donde los datos de voz son difíciles de recopilar y el número limitado de muestras de voz disponibles para la extracción y análisis de características efectivos. Se lleva a cabo la generación simulada de timbre de voz y los resultados experimentales en la base de datos CMU-ARCTIC muestran que, en comparación con los métodos tradicionales, este enfoque logra mejoras significativas en la mejora de la consistencia de las características de la señal generada y la velocidad de convergencia del modelo.