Les modèles récents de labellisation sémantique neuronale basés sur la BIO-étiquetage présentent des performances très élevées, mais supposent que les prédicats d'or font partie de l'entrée et ne peuvent pas intégrer des caractéristiques au niveau des segments. Nous proposons une approche bout-à-bout pour prédire conjointement tous les prédicats, les segments d'arguments et les relations entre eux. Le modèle prend des décisions indépendantes sur la relation qui existe, le cas échéant, entre chaque paire mot-segment possible et apprend des représentations contextuelles de segments qui fournissent des caractéristiques d'entrée riches et partagées pour chaque décision. Les expériences montrent que cette approche établit un nouveau niveau d'excellence dans la labellisation sémantique de rôles (SRL) selon PropBank sans prédicats d'or.