Nous proposons un modèle basé sur l'attention qui traite le parsing AMR comme une transduction séquence-graphe. Contrairement à la plupart des parseurs AMR qui s'appuient sur des aligneurs pré-entraînés, des ressources sémantiques externes ou l'augmentation de données, notre parseur proposé ne nécessite pas d'aligneur et peut être efficacement entraîné avec des quantités limitées de données AMR étiquetées. Nos résultats expérimentaux surpassent tous les scores SMATCH précédemment rapportés, tant pour AMR 2.0 (76,3 % F1 sur LDC2017T10) que pour AMR 1.0 (70,2 % F1 sur LDC2014T12).