Le développement de bots orientés tâches nécessite divers ensembles d'énoncés utilisateur annotés afin d'apprendre les correspondances entre les énoncés en langage naturel et les intentions de l'utilisateur. La génération automatisée de paraphrases offre une approche rentable et évolutive pour générer des exemples d'apprentissage variés en créant différentes versions du même énoncé. Cependant, les modèles séquence à séquence existants utilisés dans la paraphrase automatisée souffrent souvent d'erreurs, telles que la répétitivité et la grammaire. L'identification de ces erreurs, en particulier dans les architectures de transformateur, est devenue un défi. Dans cet article, nous proposons une taxonomie des erreurs rencontrées dans les modèles de génération de paraphrases à base de transformeurs, basée sur une analyse complète des erreurs des paraphrases générées par les transformeurs. En nous appuyant sur cette taxonomie, nous avons introduit le jeu de données Transformer-based Paraphrasing Model Errors, composé de 5880 paraphrases annotées et étiquetées avec des types d'erreurs et leurs explications. En outre, nous avons développé un nouveau modèle d'annotation de paraphrases à labels multiples en affinant un modèle BERT pour la tâche d'annotation d'erreurs. L'évaluation par rapport aux annotations humaines montre un accord significatif, avec le modèle montrant une performance robuste dans la prédiction des erreurs, même pour les paraphrases non vues.