Dans cet article, nous proposons une nouvelle méthode de synthèse sonore basée sur des méthodes d’auto-encodage variationnel permettant simultanément d’inférer une représentation inversible d’un ensemble de données, que nous appelons ici espace génératif, et de générer à partir de ces propriétés structurelles extraites. Ces méthodes récentes, basées sur l’extraction d’espaces à faible dimensionnalité grâce à l’utilisation jointe de réseaux neuronaux et d’inférence bayésienne, permettent non seulement une grande flexibilité architecturale mais aussi l’extraction d’espaces génératifs haut-niveau, pouvant être explorés directement ou indirectement par l’interacteur. Néanmoins, le choix simultané de l’architecture et des données apprises conditionne de manière déterminante les propriétés émergentes des espaces génératifs extraits, dont l’organisation reste encore mal définie. Pour ce faire, nous proposons une approche expérimentale de ces systèmes par le développement d’une bibliothèque, vschaos, visant à développer une approche bijective entre l’évaluation de ces modèles, et leur exploitation dans des environnements créatifs.