Dans cet article, nous proposons MMER, une nouvelle approche d'apprentissage multimodal multi-tâches pour la reconnaissance des émotions dans la parole. MMER exploite un réseau multimodal original fondé sur une fusion précoce et une attention auto-entre modalités croisées entre les modalités textuelles et acoustiques, tout en résolvant trois nouvelles tâches auxiliaires afin d’améliorer la reconnaissance des émotions à partir d’énoncés parlés. En pratique, MMER surpasser tous nos modèles de référence et atteint des performances de pointe sur le benchmark IEMOCAP. En outre, nous menons des études d’ablation approfondies ainsi qu’une analyse détaillée des résultats pour démontrer l’efficacité de l’approche proposée.