Le transfert de style est un problème important dans le traitement automatique des langues (TAL). Cependant, les progrès réalisés dans le domaine du transfert de style linguistique sont en retard par rapport à d'autres domaines, tels que la vision par ordinateur, principalement en raison du manque de données parallèles et de métriques d'évaluation fondées sur des principes. Dans cet article, nous proposons d'apprendre le transfert de style avec des données non parallèles. Nous explorons deux modèles pour atteindre cet objectif, et l'idée clé derrière ces modèles proposés est d'apprendre des représentations séparées du contenu et du style en utilisant des réseaux adverses. Nous proposons également de nouvelles métriques d'évaluation qui mesurent deux aspects du transfert de style : la force du transfert et la préservation du contenu. Nous évaluons nos modèles et nos métriques d'évaluation sur deux tâches : le transfert de titres d'articles scientifiques vers des titres de journaux, et le transfert de commentaires positifs vers négatifs ou vice versa. Les résultats montrent que la métrique de préservation du contenu proposée est fortement corrélée aux jugements humains, et que les modèles proposés sont capables de générer des phrases avec une plus grande force de transfert de style tout en maintenant un score similaire de préservation du contenu par rapport aux auto-encodeurs.