Dieser Bericht beschreibt unsere Einreichung für die ActivityNet Challenge auf der CVPR 2019. Wir verwenden ein 3D-faltungsbasiertes Frontend und eine Kombination von zeitlichen Faltungs- und LSTM-Klassifikatoren, um vorherzusagen, ob eine sichtbare Person spricht oder nicht. Unsere Ergebnisse zeigen erhebliche Verbesserungen im Vergleich zur Baseline auf dem AVA-ActiveSpeaker-Datensatz.