Dans le cadre du traitement Texte vers AMR, les parseurs sémantiques les plus performants actuellement reposent sur des chaînes complexes intégrant plusieurs modules ou composants distincts, et exploitent une recatégorisation de graphes, c’est-à-dire un ensemble d’heuristiques spécifiques au contenu, développées à partir de l’ensemble d’entraînement. Toutefois, la capacité de généralisation de cette recatégorisation dans un cadre hors distribution reste incertaine. En contraste, les méthodes les plus avancées de génération Texte à partir d’AMR, qui peuvent être considérées comme l’inverse du parsing, reposent sur des modèles plus simples de type seq2seq. Dans cet article, nous reformulons la tâche Texte vers AMR et AMR vers Texte comme une tâche de transduction symétrique. Nous montrons qu’en concevant une linéarisation soigneuse des graphes et en étendant un modèle pré-entraîné encodeur-décodeur, il est possible d’obtenir des performances de pointe dans les deux tâches en utilisant la même approche seq2seq, à savoir SPRING (acl{spring}). Notre modèle ne nécessite ni chaînes complexes, ni heuristiques fondées sur des hypothèses lourdes. En fait, nous éliminons la nécessité de la recatégorisation de graphes, en démontrant que cette technique est en réalité néfaste en dehors du cadre standard des benchmarks. Enfin, nous surpassons de manière significative l’état de l’art précédent sur le jeu de données anglais AMR 2.0 : sur la tâche Texte vers AMR, nous obtenons une amélioration de 3,6 points Smatch, tandis que sur la tâche AMR vers Texte, nous dépassons l’état de l’art de 11,2 points BLEU. Nous mettons à disposition le logiciel à l’adresse github.com/SapienzaNLP/spring.