Les systèmes classiques de reconnaissance de parole visuelle (VSR) traitent directement les images en tant que caractéristiques d’entrée, sans lien a priori entre les données brutes de pixels et les traits faciaux. L’information pixelisée est intelligemment filtrée lorsqu’on extrait des points caractéristiques du visage à partir des images, puis réutilisée comme nœuds de graphe. L’évolution de ces nœuds au fil du temps est ainsi modélisée à l’aide d’un réseau de convolution de graphe (Graph Convolutional Network). Toutefois, étant donné que la VSR basée sur les graphes est encore à un stade précoce de développement, le choix des points et leurs corrélations restent mal définis, souvent dépendants de connaissances a priori et de techniques manuelles. Dans cet article, nous explorons l’approche par graphe pour la VSR, ainsi que sa capacité à apprendre les corrélations entre points au-delà de la région buccale. Nous étudions également les contributions respectives de chaque région faciale à la précision du système, démontrant que des graphes plus éparpillés mais mieux connectés peuvent être à la fois légers sur le plan computationnel et hautement précis.