L'harmonisation automatique de mélodies vise à créer une suite d'accords accompagnant une mélodie donnée. Plusieurs méthodes ont été proposées dans ce but, généralement basées sur des règles musicologiques expertes ou sur une modélisation probabiliste non supervisée. Parmi cette dernière catégorie de méthodes, la plupart utilisent un modèle de Markov caché (MMC) génératif, dont les états cachés sont les accords et l'observation la mélodie. Les dépendances aux autres variables telles que la tonalité ou la structure métrique sont modélisées par des MMCs multiples ou simplement ignorées. Dans ce papier, nous proposons un moyen de combiner plusieurs modèles probabilistes de différentes variables musicales par le biais d'une interpolation de modèles. Cela aboutit à un modèle combiné appartenant à la catégorie des modèles discriminants, dont il a été démontré ces dernières années qu'ils dépassent la performance des modèles génératifs pour de nombreuses tâches. Nous évaluons d'abord nos modèles en terme de l'opposé de leur log-vraisemblance normalisée, ou entropie croisée. Nous observons que l'interpolation log-linéaire diminue l'entropie croisée par rapport à l'interpolation linéaire et que la combinaison de plusieurs modèles par interpolation log-linéaire diminue l'entropie croisée par rapport au meilleur modèle individuel. Nous effectuons ensuite un ensemble d'expériences d'harmonisation et montrons que le modèle par interpolation log-linéaire proposé améliore la précision d'estimation de la fondamentale des accords de 5% dans l'absolu par rapport un algorithme d'harmonisation de référence basé sur des règles musicologiques expertes.