Cet article est une version courte de Benali et al. (2021) 1. La plupart des techniques existantes de génération de données ne fonctionnent bien que pour de faibles dimensions et échouent à capturer les dépendances complexes entre les dimensions des données. L'identification de la bonne combinaison de modèles et de leurs paramètres respectifs reste un problème ouvert. Nous présentons MTCopula, une nouvelle approche de génération de données synthétiques complexes, flexible et extensible, qui choisit automatiquement le meilleur modèle de copules et les marginales les mieux ajustées pour capturer la complexité des données en se reposant sur le critère d'information d'Akaike.