La segmentation d’actions temporelle est essentielle pour comprendre les vidéos longues. Les travaux antérieurs sur cette tâche adoptent généralement un paradigme d’amélioration itérative basé sur des modèles multi-étapes. Nous proposons un cadre novateur fondé sur des modèles de diffusion débruitants, qui partage toutefois l’esprit fondamental de cette amélioration itérative. Dans ce cadre, les prédictions d’actions sont générées itérativement à partir de bruit aléatoire, en conditionnant sur les caractéristiques vidéo d’entrée. Pour améliorer la modélisation de trois caractéristiques marquantes des actions humaines — à savoir le préalable de position, l’ambiguïté des bornes et la dépendance relationnelle — nous avons conçu une stratégie unifiée de masquage pour les entrées conditionnelles. Des expériences étendues menées sur trois jeux de données standard — GTEA, 50Salads et Breakfast — montrent que la méthode proposée atteint des résultats supérieurs ou comparables aux méthodes de pointe, démontrant ainsi l’efficacité d’une approche générative pour la segmentation d’actions.