Top 7 des méthodes d'analyse de sentiment audio

À mesure que le nombre de consommateurs augmente et que les données des utilisateurs s'accumulent chaque jour, une explosion des données n'est pas surprenante. Les entreprises utilisent la collecte et l'analyse de données pour améliorer les ventes, la connaissance client ou la réputation de marque. Bien que les données vocales soient le retour le plus direct que les entreprises reçoivent de leurs clients, elles en négligent souvent l'importance.

Pour mieux comprendre comment les clients évaluent les produits et services, découvrez comment analyser le sentiment dans les fichiers audio, et les huit principales méthodes que les entreprises peuvent mettre en œuvre :

Qu'est-ce que l'analyse de sentiment audio ?

Les méthodes traditionnelles d'analyse de sentiment reposent principalement sur des textes écrits tels que des avis, des retours, des enquêtes, etc. Cependant, comme le langage humain est complexe, des nuances telles que l'ironie, le sarcasme ou les intentions ne sont pas toujours facilement comprises dans le contenu écrit.

Le ton acoustique dans les fichiers audio véhicule des informations plus riches et donne de meilleures perspectives sur les sentiments.¹ Les informations sur le sentiment peuvent être recueillies à partir de diverses caractéristiques vocales, telles que²

• la hauteur tonale
• l'intensité sonore
• le ton de la voix
• d'autres mesures liées à la fréquence

Ainsi, les émotions peuvent être mieux reconnues en combinant l'analyse du ton de la parole et du contenu écrit qu'en considérant uniquement les retours écrits.

Ces dernières années, les entreprises ont commencé à mettre en œuvre des méthodes d'analyse de sentiment audio pour mieux comprendre les sentiments de leurs clients et leur offrir une meilleure expérience.

Comment fonctionne l'analyse de sentiment audio ?

Figure 1. Une comparaison simplifiée de l'analyse de sentiment du contenu écrit et de l'analyse multimodale (texte + audio)

Source : CM-BERT: Cross-Modal BERT for Text-Audio Sentiment Analysis.³

Les étapes de l'analyse de sentiment audio sont :

1. Collecte de l'audio

Recueillir l'audio

Commencez par collecter l'audio. Vous pouvez utiliser des enregistrements en direct, des fichiers préenregistrés ou de l'audio provenant de plateformes en ligne.

Garantir la qualité

Un audio clair est essentiel. Essayez de réduire le bruit de fond et de garder le son net. Assurez-vous également que vos données sont diversifiées : différentes voix, tonalités et émotions aideront votre modèle à mieux apprendre.

Prétraitement

Une fois collecté, nettoyez l'audio. Cela inclut la suppression du bruit, l'ajustement du volume et la suppression des silences. Ces étapes préparent l'audio pour les phases suivantes.

2. Transcription en texte

Convertir l'audio en texte

Les outils de reconnaissance vocale transforment les mots prononcés en texte. Whisper d'OpenAI reste un choix courant, mais les versions actuelles, telles que large-v3 et la version plus rapide large-v3-turbo, ont remplacé la version de 2022 que la plupart des guides citent encore. Des options plus récentes, notamment les modèles de transcription GPT-4o d'OpenAI, ajoutent une étiquetage automatique des locuteurs. Cela supprime le besoin d'un outil séparé pour distinguer la voix d'un agent de celle d'un client dans un appel enregistré.

Nettoyer le texte

Le texte transcrit peut nécessiter une mise en forme. Vous pouvez supprimer la ponctuation superflue, mettre tous les mots en minuscules ou nettoyer les caractères spéciaux.

3. Choix du modèle

Choisissez un modèle qui fonctionne bien avec l'audio et le texte. Certains modèles sont entraînés sur le langage émotionnel ou parlé. Choisissez-en un avec une bonne précision et une bonne flexibilité.

4. Interprétation et utilisation des résultats

Comprendre les résultats

Utilisez les données pour apprendre ce que ressentent les gens. C'est utile dans des domaines comme le service client, le marketing et les retours du public.

Visualiser les résultats

Affichez les scores de sentiment dans des graphiques, des tableaux ou des tableaux de bord. Cela aide les gens à voir rapidement le ton émotionnel de l'audio.

7 méthodes pour réaliser une analyse de sentiment audio

Il existe sept méthodes principales pour réaliser une analyse de sentiment audio.

1- Reconnaissance automatique de la parole (ASR)

Figure 2. Un exemple de fonctionnement de l'ASR

Source : Sentiment extraction from natural audio streams⁴

Processus : L'ASR transcrit les phrases prononcées en texte à l'aide de la reconnaissance vocale. Le texte transcrit est ensuite analysé pour en extraire le sentiment à l'aide de techniques de traitement automatique du langage naturel (NLP).

Exemple : Dans les centres d'appels, l'ASR peut transcrire les conversations des clients, permettant aux modèles d'analyse de sentiment de déterminer le sentiment global de l'interaction.

2- WaveNet (Analyse de forme d'onde audio brute)

Processus : WaveNet analyse directement les formes d'onde audio brutes pour extraire des caractéristiques audio à l'aide de réseaux de neurones profonds. Cette méthode ne nécessite pas de transcription audio et peut capturer des détails complexes dans le signal audio. C'est une méthode probabiliste qui offre des résultats à la pointe de l'état de l'art avec un dataset multimodal (texte+audio).

Exemple : WaveNet peut détecter différentes émotions à partir du ton et de la hauteur de l'audio, fournissant une bonne représentation de l'état émotionnel du locuteur.

WaveNet a été principalement conçu pour générer de la parole, et non pour évaluer le sentiment. Les équipes effectuant aujourd'hui des travaux de sentiment sur forme d'onde brute se tournent plus souvent vers des encodeurs auto-supervisés tels que Wav2Vec 2.0 ou HuBERT, entraînés spécifiquement pour représenter à la fois le contenu de la parole et les indices vocaux comme le ton.⁵ L'idée centrale de WaveNet, apprendre directement à partir de la forme d'onde plutôt que de caractéristiques construites manuellement, reste valable. Le modèle spécifique a principalement été remplacé par ces encodeurs plus récents.

3- Représentations d'encodeurs bidirectionnels crossmodaux issues des transformers (CM-BERT)

Figure 3. L'architecture du réseau CM-BERT

Source : CM-BERT: Cross-Modal BERT for Text-Audio Sentiment Analysis.³

Processus : L'approche CM-BERT repose sur l'interaction entre le texte et l'audio et ajuste dynamiquement le poids des mots en comparant les informations provenant de différentes modalités. Elle utilise des modèles de machine learning pour analyser à la fois le signal audio et sa transcription, en tirant parti des forces des deux modalités.

Exemple : Dans un projet analysant des enregistrements audio de podcasts, CM-BERT peut fournir des perspectives sur le sentiment exprimé à la fois dans les mots prononcés et dans les caractéristiques audio.

4- Coefficients cepstraux en fréquence de Mel (MFCCs)

Processus : Les MFCCs sont utilisés pour représenter le spectre de puissance à court terme du son. Ils sont extraits des enregistrements audio et utilisés comme caractéristiques pour les modèles d'analyse de sentiment.

Exemple : En analysant les MFCCs, les modèles de machine learning peuvent reconnaître différents états émotionnels dans les fichiers audio, tels que la joie, la tristesse ou la colère.

Les MFCCs fonctionnent toujours comme un ensemble de caractéristiques légères et rapides, et restent un choix par défaut raisonnable pour les équipes avec des budgets de calcul limités. Des modèles auto-supervisés plus récents, tels que Wav2Vec 2.0, HuBERT et emotion2vec, surpassent désormais les systèmes basés sur les MFCCs sur la plupart des benchmarks publiés, car ils apprennent les caractéristiques directement à partir de l'audio brut plutôt que de s'appuyer sur une formule fixe.⁶ Les équipes recherchant une précision maximale ont tendance à choisir l'un de ces derniers.

5- Analyse des caractéristiques prosodiques

Processus : Cette méthode analyse les caractéristiques prosodiques comme l'intonation, l'accentuation et le rythme de la parole. Ces caractéristiques sont cruciales pour comprendre le ton émotionnel dans les enregistrements audio.

Exemple : L'analyse des caractéristiques prosodiques peut être utilisée dans les interactions de service client pour identifier le stress ou la frustration dans la voix d'un client, aidant à améliorer l'interface utilisateur et les stratégies de réponse.

6- Réseaux de neurones profonds (DNNs)

Processus : Les DNNs peuvent être entraînés sur de grands datasets d'enregistrements audio pour reconnaître des motifs et classifier les sentiments. Ils sont capables d'apprendre des représentations complexes des données audio.

Exemple : Les DNNs peuvent être employés dans des projets d'analyse de sentiment où une haute précision est requise, comme dans les publications audio sur les réseaux sociaux pour évaluer l'opinion publique.

emotion2vec, publié en 2024 et activement maintenu jusqu'en 2026, est un modèle open-source entraîné spécifiquement pour extraire les signaux émotionnels de l'audio brut.⁷ Il fonctionne sur un seul GPU, est gratuit à utiliser, et est devenu une référence courante dans la recherche sur les émotions vocales : le rôle que joue Whisper pour la transcription.

7- Réseaux de neurones récurrents (RNNs) et réseaux à mémoire à long court terme (LSTM)

Figure 4. Réseaux de neurones récurrents avec deux couches cachées

Source : Classification and prediction of wave chaotic systems with machine learning techniques.⁸

Processus : Les RNNs et les LSTMs sont conçus pour traiter des données séquentielles, ce qui les rend adaptés à l'analyse des dépendances temporelles dans les signaux audio. Ils peuvent capturer la progression des émotions.

Exemple : Dans l'analyse de longs enregistrements audio comme des entretiens ou des discours, les RNNs et les LSTMs peuvent suivre les changements de sentiment tout au long du fichier audio.

8- Grands modèles audio-langagiers (LALMs)

Processus : Un grand modèle audio-langagier lit l'audio et le texte en une seule passe, à l'intérieur d'un seul modèle. Les méthodes plus anciennes divisent le travail en deux : un modèle transforme la parole en texte, et un modèle séparé lit ce texte pour en extraire le sentiment. Diviser le travail fait perdre de l'information ; un « C'est super » plat et impassible peut être lu comme positif lorsque seuls les mots sont évalués. Un grand modèle audio-langagier garde ensemble le ton, le rythme et le choix des mots, de sorte qu'il capte ce décalage.

Parmi les exemples en production en 2026 figurent GPT-4o Audio d'OpenAI, Gemini 2.5 de Google et Qwen2.5-Omni d'Alibaba. Chacun accepte un clip audio directement et renvoie une transcription, une étiquette d'émotion, ou les deux, sans exposer une étape de transcription séparée.

Exemple : Une plateforme de support achemine un appel client directement vers l'un de ces modèles. Il renvoie une transcription, un score de sentiment et une note sur l'endroit où le ton a changé pendant l'appel, le tout en une seule passe sur l'audio.

Compromis : Ces modèles coûtent plus cher à exécuter par minute d'audio que des modèles plus petits et spécialisés. Les équipes gérant des volumes d'appels élevés exécutent souvent un modèle open-source léger, tel qu'emotion2vec, comme première passe, puis envoient les appels signalés vers un modèle plus grand pour une lecture plus approfondie.⁹

Top 8 des applications de l'analyse de sentiment audio

L'analyse de sentiment audio a un large éventail d'applications dans divers domaines, améliorant les processus et fournissant des informations précieuses dans tous les secteurs.

1- Centres d'appels

Dans les centres d'appels, l'analyse de sentiment audio est utilisée pour analyser les interactions avec les clients. En effectuant une analyse de sentiment sur les enregistrements audio, les entreprises peuvent déterminer le sentiment exprimé pendant les appels, qu'il soit positif, négatif ou neutre. Cette information peut aider à améliorer le service client en :

• Identifiant les problèmes : Détecter les sentiments négatifs tôt permet aux agents des centres d'appels de traiter les préoccupations des clients plus efficacement.
• Fins de formation : Comprendre les états émotionnels des clients pendant les appels peut être utilisé pour former les agents, améliorant leur capacité à gérer différentes émotions.
• Assurance qualité : Les résultats de l'analyse de sentiment peuvent être utilisés pour surveiller et maintenir la qualité du service, garantissant une satisfaction client constante.

2- Reconnaissance des émotions

Détecter différentes émotions dans les enregistrements audio peut considérablement améliorer les interfaces utilisateur et créer des systèmes d'IA plus empathiques. La reconnaissance des émotions par l'analyse de sentiment audio implique :

• Expériences personnalisées : Adapter les réponses en fonction des émotions détectées pour offrir une expérience utilisateur plus personnalisée et engageante.
• Applications en santé mentale : Surveiller les états émotionnels peut aider dans les applications de santé mentale en reconnaissant les signes de stress, d'anxiété ou de dépression dans les enregistrements audio.
• Assistants virtuels : Améliorer les interactions des assistants virtuels en leur permettant de répondre de manière plus appropriée au ton émotionnel de l'utilisateur.

3- Études de marché

Dans les études de marché, l'analyse de sentiment audio des fichiers audio provenant de groupes de discussion ou de retours clients peut fournir des informations précieuses. En analysant les sentiments dans les réponses orales, les entreprises peuvent :

• Comprendre les préférences des consommateurs : Obtenir des informations sur les opinions des clients concernant les produits ou services, aidant les entreprises à prendre des décisions éclairées.
• Développement de produits : Utiliser les données de sentiment pour guider le développement et l'amélioration des produits en fonction des retours clients.
• Perception de la marque : Surveiller et analyser le sentiment du public envers une marque, permettant aux entreprises d'ajuster leurs stratégies en conséquence.

4- Surveillance des réseaux sociaux

L'analyse de sentiment audio peut également être appliquée aux fichiers audio provenant de podcasts ou de contenu vidéo partagé sur les plateformes de réseaux sociaux. Cette application aide à :

• Analyse de l'opinion publique : Analyser les sentiments dans le contenu parlé pour évaluer l'opinion publique sur divers sujets.
• Stratégie de contenu : Influencer les stratégies de création de contenu en comprenant les réactions émotionnelles du public face à différents types de contenu.
• Analyse des tendances : Identifier les tendances et sentiments émergents dans les conversations sur les réseaux sociaux, permettant aux entreprises de garder une longueur d'avance dans leurs efforts marketing.

5- Santé

Dans le secteur de la santé, l'analyse de sentiment audio peut être appliquée aux interactions patient-médecin, aux consultations de télémédecine et aux retours des patients. Cela peut conduire à :

• Soins améliorés aux patients : Comprendre les émotions des patients peut aider les prestataires de soins de santé à offrir des soins plus empathiques et personnalisés.
• Détection précoce des conditions : Reconnaître les changements dans l'état émotionnel d'un patient peut aider à la détection précoce de problèmes de santé mentale ou d'autres conditions.
• Satisfaction des patients : Analyser les retours des patients pour améliorer la qualité des services de santé et garantir la satisfaction des patients.

6- Éducation

Dans les contextes éducatifs, l'analyse de sentiment audio peut être utilisée pour analyser les interactions des étudiants, les retours des enseignants et les discussions en classe. Cela peut soutenir :

• Engagement des étudiants : Comprendre les réponses émotionnelles des étudiants peut aider les éducateurs à ajuster leurs méthodes d'enseignement pour maintenir l'engagement des étudiants.
• Suivi de la performance : Surveiller le sentiment dans les retours des étudiants peut fournir des informations sur l'efficacité des programmes éducatifs et des stratégies d'enseignement.
• Soutien émotionnel : Identifier les étudiants qui pourraient avoir besoin d'un soutien émotionnel supplémentaire, permettant une intervention rapide.

7- Industrie du divertissement

L'industrie du divertissement peut tirer parti de l'analyse de sentiment audio pour analyser les réactions du public aux films, à la musique et à d'autres contenus médiatiques. Cela peut conduire à :

• Amélioration du contenu : Utiliser les résultats de l'analyse de sentiment pour améliorer les scripts, les dialogues et le contenu global en fonction des réactions du public.
• Stratégies marketing : Adapter les campagnes marketing pour mieux résonner avec les réponses émotionnelles du public.
• Engagement du public : Créer un contenu plus engageant et émotionnellement résonnant en comprenant les sentiments du public.

8- Ressources humaines

Dans les ressources humaines, l'analyse de sentiment audio peut être appliquée aux retours des employés, aux entretiens et aux évaluations de performance. Cela peut améliorer :

• Satisfaction des employés : Analyser les sentiments dans les retours des employés pour améliorer les conditions de travail et traiter les préoccupations.
• Processus de recrutement : Comprendre les réponses émotionnelles des candidats pendant les entretiens pour prendre de meilleures décisions d'embauche.
• Gestion de la performance : Utiliser les données de sentiment pour soutenir les évaluations de performance et fournir des retours constructifs.

Règles à connaître avant de déployer l'analyse de sentiment audio dans l'UE

L'IA Act de l'UE interdit un usage spécifique de cette technologie : déduire les émotions d'un employé à partir de sa voix au travail. Cette interdiction, en vertu de l'Article 5(1)(f), fait partie des dispositions sur les pratiques interdites de l'Acte, et elle s'applique depuis le 2 février 2025.¹⁰ Les régulateurs nationaux, y compris la CNIL en France, ont publié des orientations sur la préparation à l'application à mesure que le reste de l'Acte entre en vigueur : les règles sur l'IA à usage général sont arrivées en août 2025, et la plupart des dispositions restantes atteignent leur pleine application le 2 août 2026.

Ce qui est interdit

• Lire les émotions à partir de la voix, du visage ou d'un autre signal biométrique d'un employé pendant les tâches professionnelles, les entretiens ou les évaluations de performance.

Ce qui n'est pas couvert par l'interdiction

• Les systèmes qui transcrivent une réunion en texte.
• Les systèmes axés sur la sécurité, tels que les outils qui détectent la fatigue du conducteur.

Les deux exceptions

• Usage médical.
• Usage de sécurité.
• Évaluer le niveau de stress d'un agent de service client à des fins de coaching ne relève d'aucune des deux.

L'usage en contact client est traité différemment : Lire l'humeur d'un client pendant un appel de support n'est pas interdit par le droit de l'UE. En dehors de l'interdiction sur le lieu de travail et dans l'éducation, cependant, certains déploiements de reconnaissance des émotions peuvent encore être qualifiés de risque élevé en vertu d'une partie distincte de l'Acte (Annexe III) et peuvent déclencher des obligations de transparence supplémentaires en vertu de l'Article 50. La classification dépend du déploiement spécifique, et non du cas d'usage dans son ensemble.¹¹

Sanctions : Les amendes pour violation de l'interdiction sur le lieu de travail atteignent 35 millions d'euros ou 7 % du chiffre d'affaires annuel mondial d'une entreprise, le montant le plus élevé étant retenu.¹² Avant même que cette interdiction n'existe, l'autorité hongroise de protection des données avait ordonné à une banque de cesser d'analyser le ton de la voix des employés en vertu de règles distinctes du RGPD, dans ce qui est maintenant connu sous le nom d'affaire Budapest Bank : un signe que les régulateurs traitaient cela comme un problème en vertu du droit plus ancien de la vie privée.¹³

Ce que cela signifie pour les méthodes ci-dessus

• Évaluer le sentiment des clients dans un centre d'appels reste réalisable dans toute l'UE, sous réserve des contrôles de risque élevé et de transparence mentionnés ci-dessus.
• Appliquer la même évaluation à la voix d'un agent, pour suivre l'humeur ou le stress pendant un service, est interdit en vertu de l'Article 5(1)(f), sauf si l'exception médicale ou de sécurité s'applique.
• Les cas d'usage d'entretien et d'évaluation de performance, mentionnés dans la section ressources humaines ci-dessus, sont généralement interdits purement et simplement plutôt que simplement à risque élevé. Traitez-les comme hors limites dans les déploiements dans l'UE sans une justification médicale ou de sécurité confirmée, et non comme un « à examiner avant le lancement ».

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Quelle est la réussite des outils d'analyse de sentiment audio ?

Un benchmark de 2025, AHELM, a testé la façon dont les grands modèles audio-langagiers gèrent la détection des émotions spécifiquement, parmi neuf autres tâches de compréhension audio.¹⁴ Gemini 2.5 Pro de Google a mené le groupe dans l'ensemble, arrivant en tête de cinq des dix catégories, y compris la détection des émotions. Aucun modèle unique n'a dominé chaque catégorie. Choisir un modèle dépend toujours du cas d'usage spécifique, et non d'un seul classement.

Une expérience de benchmarking de 2026 a évalué dans quelle mesure les modèles modernes détectent le sentiment directement à partir des signaux de parole.¹⁵ Les résultats montrent que l'analyse de sentiment basée sur l'audio peut capturer des indices émotionnels tels que le ton, la hauteur et la vitesse d'élocution. Ces indices sont souvent perdus lorsque la parole est convertie en texte.

L'étude a testé plusieurs modèles de parole bien connus, notamment HuBERT,¹⁶ Wav2Vec,¹⁷ et Whisper.¹⁸ Lorsque les modèles ont analysé de courtes phrases prononcées avec différents tons émotionnels, la performance était relativement bonne. La précision variait de 78–91 %, indiquant que ces modèles peuvent détecter des signaux émotionnels clairs dans une parole contrôlée.

Cependant, la performance a chuté lorsque les modèles ont été testés sur des phrases plus complexes et variées. Dans ces cas, la précision est tombée à environ 54–60 %. Les modèles ont eu des difficultés parce que le sens des phrases, le style du locuteur et le contexte variaient plus largement.

Dans l'ensemble, les résultats suggèrent que les outils d'analyse de sentiment audio peuvent bien fonctionner lorsque les indices émotionnels sont clairs. Cependant, leur performance diminue dans les conversations réalistes. Pour cette raison, de nombreux systèmes combinent les signaux audio et l'analyse textuelle pour améliorer la fiabilité.

Lectures complémentaires

• Outils d'analyse de sentiment open source
• Test de benchmark d'analyse de sentiment
• Outils d'optimisation pour moteurs de réponses
• Outils d'IA émotionnelle testés

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{phd2026,
  author = {PhD., Ezgi Arslan,},
  title  = {{Top 7 des méthodes d'analyse de sentiment audio}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/audio-sentiment-analysis}},
  note   = {AIMultiple. Consulté le 3 Juillet 2026}
}

Liens de référence

1.

APA PsycNet

2.

Towards Discriminative Representation Learning for Speech Emotion Recognition | IJCAI

3.

CM-BERT | Proceedings of the 28th ACM International Conference on Multimedia

4.

Cerrar este diálogo

5.

Speaker Emotion Recognition: Leveraging Self-Supervised Models for Feature Extraction Using Wav2Vec2 and HuBERT

6.

https://www.isca-archive.org/interspeech_2025/uniyal25_interspeech.pdf

7.

Speech emotion recognition using fine-tuned Wav2vec2.0 and neural controlled differential equations classifier - PMC

8.

[1908.04716] Classification and prediction of wave chaotic systems with machine learning techniques

arXiv preprint arXiv:1908.04716

9.

emotion2vec (emotion2vec)

10.

EU AI Act Article 5: The Complete Guide to Prohibited AI Practices – eyreACT: AI Compliance Automation Platform

11.

Article 5: Prohibited AI Practices | EU Artificial Intelligence Act

12.

Article 99: Penalties | AI Act Service Desk

13.

DataGuidance

14.

AHELM: A Holistic Evaluation of Audio-Language Models

15.

Sentiment Analysis with Text and Audio Using AWS Generative AI Services: Approaches, Challenges, and Solutions | Artificial Intelligence

16.

[2106.07447] HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units

17.

[2006.11477] wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations

18.

GitHub - openai/whisper: Robust Speech Recognition via Large-Scale Weak Supervision · GitHub

Ezgi Arslan, PhD.

Analyste industriel

Suivre

Ezgi est titulaire d'un doctorat en administration des affaires avec une spécialisation en finance et travaille comme analyste industriel chez AIMultiple. Elle mène des recherches et des analyses à l'intersection de la technologie et des affaires, avec une expertise couvrant la durabilité, les enquêtes et l'analyse de sentiment, les applications d'agents d'IA en finance, l'optimisation des moteurs de réponse, la gestion des pare-feux et les technologies d'approvisionnement.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire