Contrairement à la synthèse extractive, la synthèse abstraite doit fusionner différentes parties du texte source, ce qui tend à créer des faits fictifs. Notre étude préliminaire révèle que près de 30 % des sorties d'un système de synthèse neuronale de pointe souffrent de ce problème. Bien que les approches précédentes en synthèse abstraite se concentrent généralement sur l'amélioration de l'information, nous soutenons que la fidélité est également un prérequis vital pour un système de synthèse abstraite pratique. Pour éviter la génération de faits fictifs dans un résumé, nous utilisons les technologies d'extraction d'informations ouverte et d'analyse syntaxique des dépendances pour extraire des descriptions de faits réels du texte source. Nous proposons ensuite un cadre séquence-à-séquence avec attention double afin de forcer la génération conditionnelle à la fois au texte source et aux descriptions de faits extraites. Les expériences menées sur le jeu de données de référence Gigaword montrent que notre modèle peut réduire considérablement les résumés fictifs jusqu'à 80 %. Il convient de noter que les descriptions de faits apportent également une amélioration significative en termes d'information, car elles condensent souvent le sens du texte source.