La reconnaissance automatique de la parole est utilisée de plus en plus couramment, par exemple pour la commande de divers appareils par des handicapés Cette application nécessite un taux de reconnaissance très élevé pour un vocabulaire de taille petite à moyenne et le modèle doit donc être très particulièrement précis. Les phases d'apprentissage et de reconnaissance sont dans ce cas très gourmande en temps et des ré-apprentissages peuvent se produire. le besoin de paralléliser cette application se fait alors sentir. Dans ce rapport, nous commençons par présenter les modèles que nous utilisons, à savoir le modèle de Markov caché classique et le modèle de Markov caché à deux niveaux centiseconde introduit par Meziane, qui permet de tenir compte de la prosodie de la parole. Nous présentons ensuite deux stratégies de parallélisation, la plus simple consistant à partager les mots de vocabulaire entres les processeurs et l'autre répartissant également le modèle. Les résultats expérimentaux mettent en évidence la nécessité d'utiliser une répartition de la charge plus élaborée. Nous définissons des formules d'estimation a priori de la charge et les utilisons afin de distribuer statiquement la charge de calcul? Les expériences correspondantes présentent des efficacités supérieures à 65% sur une architecture composée de 12 Pentium Pro interconnectées par un réseau Myrinet. Nous indiquons en conclusion quelques pistes en vue d'améliorer cette parallélisation