Das Ziel dieser Arbeit ist die Sprecheraufnahme unter rauschbehafteten und unbeschränkten Bedingungen. Wir leisten zwei wesentliche Beiträge. Erstens führen wir einen umfangreichen audiovisuellen Sprechererkennungsdatensatz ein, der aus Open-Source-Medien gesammelt wurde. Mithilfe eines vollautomatischen Pipelines kuratieren wir VoxCeleb2, der über eine Million Aussprachen von mehr als 6.000 Sprechern enthält. Dies ist mehrere Male größer als jeder andere öffentlich verfügbare Sprechererkennungsdatensatz.Zweitens entwickeln und vergleichen wir Faltungsneuronale Netze (CNN)-Modelle und Trainingsstrategien, die effektiv Identitäten anhand der Stimme unter verschiedenen Bedingungen erkennen können. Die auf dem VoxCeleb2-Datensatz trainierten Modelle übertreffen die Leistung früherer Arbeiten auf einem Benchmark-Datensatz erheblich.