Le problème de la génération de texte à partir d'un graphe AMR (Abstract Meaning Representation) consiste à reconstruire un texte qui représente le même sens que le graphe AMR d'entrée. La méthode actuellement la plus avancée utilise un modèle séquence-à-séquence, en s'appuyant sur des LSTM (Long Short-Term Memory) pour encoder une structure AMR linéarisée. Bien qu'elle soit capable de modéliser des informations sémantiques non locales, une séquence LSTM peut perdre des informations provenant de la structure du graphe AMR, ce qui pose des défis avec les grands graphes, entraînant ainsi des séquences longues. Nous présentons un modèle neuronal graphe-à-séquence, utilisant une nouvelle structure LSTM pour encoder directement les sémantiques au niveau du graphe. Sur un banc d'essai standard, notre modèle montre des résultats supérieurs aux méthodes existantes dans la littérature.