Bien que l'étiquetage temporel soit encore principalement dominé par les systèmes basés sur des règles, des tentatives récentes ont été faites pour développer des étiqueteurs temporels neuronaux. Cependant, toutes ces approches se concentrent sur des configurations monolingues. Dans cet article, nous explorons des méthodes multilingues pour l'extraction d'expressions temporelles à partir du texte et examinons l'entraînement adversarial pour aligner les espaces d'embedding sur un espace commun. Grâce à cela, nous créons un modèle multilingue unique qui peut également être transféré vers des langues non vues et établir de nouveaux standards dans ces expériences de transfert croisé.