L'improvisation automatique est un domaine récent issu des études sur la créativité artificielle. Les systèmes actuels d'improvisation automatique sont capables de prendre en considération des informations unidimensionnelles, typiquement la mélodie, fournies en direct par un musicien ou lues dans un corpus afin de générer de nouvelles improvisations par une recombinaison du matériau musical. Cependant, ils ne sont pas capables de prendre en considération des informations multi-dimensionnelles. Or la musique comporte de nombreuses dimensions : mélodie, harmonie, rythme... Dans ce rapport, nous évaluons l'intérêt de prendre en compte plusieurs dimensions musicales dans le cadre de l'improvisation en appliquant des méthodes d'interpolation de sous-modèles issues du domaine de l'apprentissage automatique et des principes de modélisation de langage. Nous effectuons l'apprentissage et les tests sur un corpus d'improvisation de jazz. Nous évaluons les résultats en comparant leurs entropies croisées. Nous montrons que dans certains cas, l'interpolation de sous-modèles permet d'obtenir un meilleur pouvoir de prédiction que lorsque l'on ne considère qu'une seule dimension musicale. Mot-clefs : improvisation automatique, apprentissage automatique, modélisation du langage.