Los modelos generativos basados en Autoencoders Variacionales (VAEs) representan un área importante de investigación en Generación de Texto Controlable (CTG). Sin embargo, los enfoques existentes a menudo no explotan completamente el potencial de las variables latentes, lo que lleva a limitaciones tanto en la diversidad como en la consistencia temática del texto generado. Para superar estos desafíos, este documento introduce un nuevo marco basado en Modulación Latente Jerárquica (HLM). El marco incorpora un módulo de modulación de espacio latente jerárquico para la generación e incrustación de parámetros de modulación condicionales. Mediante la utilización de factorización tensorial de rango bajo (LMF), el enfoque combina variables latentes de varias capas y genera parámetros de modulación basados en etiquetas condicionales, lo que permite un control preciso sobre las características durante la generación de texto. Además, se emplean mecanismos de normalización capa por capa y de eliminación aleatoria para abordar problemas como la subutilización de la información condicional y el colapso de los patrones generativos. Realizamos experimentos en cinco modelos de referencia basados en VAEs para generación condicional, y los resultados demuestran la efectividad del marco propuesto.