Les travaux récents sur la classification des actes de dialogue (Dialogue Act, DA) abordent cette tâche comme un problème d’étiquetage de séquences, en utilisant des modèles à réseaux de neurones couplés à un champ aléatoire conditionnel (Conditional Random Field, CRF) en dernière couche. Le CRF modélise la probabilité conditionnelle de la séquence d’étiquettes DA cible donnée la séquence d’énoncés d’entrée. Toutefois, cette tâche implique une autre séquence d’entrée importante : celle des locuteurs, qui est ignorée par les travaux antérieurs. Pour remédier à cette limitation, cet article propose une modification simple de la couche CRF prenant en compte les changements de locuteur. Des expérimentations sur le corpus SwDA montrent que notre couche CRF modifiée surpasse significativement la version originale, avec des écarts très marqués pour certaines étiquettes DA. En outre, les visualisations démontrent que notre couche CRF est capable d’apprendre des motifs de transition significatifs et sophistiqués entre paires d’étiquettes DA, conditionnés aux changements de locuteur, de manière end-to-end. Le code est disponible publiquement.