Récemment, les méthodes neuronales ont obtenu des résultats de pointe (SOTA) dans les tâches de reconnaissance d'entités nommées (NER) pour de nombreuses langues sans nécessiter l'utilisation de caractéristiques manuellement conçues. Cependant, ces modèles requièrent encore des données d'entraînement annotées manuellement, qui ne sont pas disponibles pour de nombreuses langues. Dans cet article, nous proposons un modèle NER translingue non supervisé capable de transférer les connaissances en NER d'une langue à une autre de manière entièrement non supervisée, sans s'appuyer sur aucun dictionnaire bilingue ou données parallèles. Notre modèle atteint cet objectif grâce à un apprentissage adverse au niveau des mots et un affinage augmenté avec partage de paramètres et augmentation de caractéristiques. Les expériences menées sur cinq langues différentes démontrent l'efficacité de notre approche, surpassant les modèles existants avec une marge confortable et établissant un nouveau SOTA pour chaque paire de langues.