Les zones d'écoute personnalisées (Personal Sound Zones) visent à contrôler le champ acoustique afin de diffuser un signal audio dans des régions spécifiques de l'espace. Cette approche permet notamment aux occupants d'un véhicule d'écouter des contenus distincts sans recourir à des écouteurs. En pratique, la génération de ces zones repose sur l'utilisation de réseaux de haut-parleurs et de microphones, le contrôle du champ sonore étant assuré par l'application de filtres adaptés aux haut-parleurs. En connaissant la géométrie du système, ces filtres sont déterminés à l'aide de méthodes d'optimisation sous contrainte, conduisant à des expressions en forme close. Toutefois, en situation réelle, la position des zones d'écoute peut évoluer (par exemple en raison des mouvements de l'utilisateur), rendant la géométrie initiale invalide et limitant l'efficacité des approches traditionnelles. L'apprentissage des filtres à partir des données peut permettre une meilleure flexibilité dans ces conditions. Dans ce contexte, cette présentation introduit des travaux préliminaires explorant l'utilisation de l'apprentissage profond pour la conception de zones d'écoute personnalisées. La méthode s'appuie sur un jeu de données synthétiques pour entraîner un modèle de type encodeur-décodeur capable de prédire les filtres à appliquer aux haut-parleurs. Malgré la taille limitée du jeu de données, les résultats obtenus sont prometteurs et suggèrent que l'apprentissage profond constitue une alternative compétitive, en particulier lorsque la zone d'écoute est sujette à des déplacements.