Nous abordons le problème de la localisation d'un tube spatio-temporel dans une vidéo en réponse à une requête textuelle donnée. Il s'agit d'une tâche complexe qui nécessite la modélisation conjointe et efficace des interactions temporelles, spatiales et multimodales. Pour relever ce défi, nous proposons TubeDETR, une architecture basée sur les transformateurs, inspirée par les récents succès de ces modèles pour la détection d'objets conditionnée par du texte. Notre modèle comprend notamment : (i) un encodeur vidéo et texte efficace qui modélise les interactions multimodales spatiales sur des images clés échantillonnées de manière éparses et (ii) un décodeur espace-temps qui effectue conjointement la localisation spatio-temporelle. Nous illustrons l'avantage de nos composants proposés à travers une étude d'élagage exhaustive. Nous évaluons également notre approche complète sur la tâche de mise en correspondance spatio-temporelle de vidéos et montrons des améliorations par rapport à l'état de l'art sur les benchmarks difficiles VidSTG et HC-STVG. Le code source et les modèles entraînés sont disponibles publiquement à l'adresse suivante : https://antoyang.github.io/tubedetr.html.