Les méthodes traditionnelles de génération linguistique profonde (NLG) reposent sur des approches en pipeline comprenant plusieurs étapes telles que la construction d’un input syntaxique, la prédiction des mots fonctionnels, la linéarisation de l’input syntaxique et la génération des formes superficielles. Bien qu’elles soient plus faciles à visualiser, ces approches en pipeline souffrent de propagation d’erreurs. De plus, les informations disponibles entre les modules ne peuvent pas être exploitées par l’ensemble des modules. Nous proposons un modèle basé sur une transition pour effectuer conjointement la linéarisation, la prédiction des mots fonctionnels et la génération morphologique, ce qui améliore considérablement la précision par rapport à un système de référence en pipeline. Sur une tâche partagée standard de linéarisation d’entrée profonde, notre système obtient les meilleurs résultats rapportés à ce jour.