Ce travail présente un système de reconnaissance vocale audio-visuelle à grande échelle basé sur une architecture de transducteur à réseaux de neurones récurrents (RNN-T). Pour soutenir le développement de ce système, nous avons construit un grand jeu de données audio-visuelles (A/V) composé d’utterances segmentées extraites de vidéos publiques YouTube, aboutissant à 31 000 heures de contenu d’entraînement audio-visuel. La performance des systèmes à base d’audio uniquement, de vision uniquement et d’audio-visuel est comparée sur deux jeux de tests à vocabulaire large : un ensemble de segments d’utterances provenant de vidéos YouTube publiques, appelé YTDEV18, et l’ensemble LRS3-TED disponible publiquement. Afin de mettre en évidence la contribution de la modalité visuelle, nous avons également évalué la performance de notre système sur le jeu YTDEV18, artificiellement corrompu par du bruit de fond et des paroles superposées. À ce jour, à notre connaissance, notre système améliore significativement l’état de l’art sur l’ensemble LRS3-TED.