تتناول هذه الدراسة تقديم نموذجنا لتحدي ActivityNet في مؤتمر CVPR لعام 2019. نعتمد على واجهة أمامية قائمة على الشبكة العصبية المُعقدة ثلاثية الأبعاد (3D CNN) ومجموعة من تصنيفات التحويل الزمني وتصنيفات LSTM للتنبؤ بوجود شخص مرئي يتحدث أم لا. تُظهر نتائجنا تحسينات كبيرة مقارنة بالنموذج الأساسي على مجموعة بيانات AVA-ActiveSpeaker.