Gegenmaßnahmen gegen Spoofing zielen darauf ab, automatische Sprecheridentifikationssysteme vor Manipulationsversuchen zu schützen, die die Zuverlässigkeit der Systeme durch den Einsatz manipulierter Sprachsignale beeinträchtigen. Obwohl die Ergebnisse der jüngsten ASVspoof 2019-Evaluation ein großes Potenzial zur Erkennung der meisten Angriffsformen zeigen, gelingen weiterhin einige Angriffe der Erkennung. In dieser Arbeit wird erstmals RawNet2 für den Einsatz im Bereich der Anti-Spoofing-Anwendungen vorgestellt. RawNet2 verarbeitet rohe Audiodaten und besitzt das Potenzial, Merkmale zu lernen, die mit herkömmlichen Gegenmaßnahmen nicht erkennbar sind. Wir beschreiben die Modifikationen am ursprünglichen RawNet2-Architekturansatz, die es ermöglichen, das Modell für die Anti-Spoofing-Anwendung einzusetzen. Für die A17-Angriffe erzielen unsere RawNet2-Systeme die zweitbesten Ergebnisse, die bisher berichtet wurden; zudem erreicht die Fusion aus RawNet2 und Basis-Gegenmaßnahmen die zweitbesten Ergebnisse für die vollständige ASVspoof 2019-Logikzugangssituation. Unsere Ergebnisse sind mit Open-Source-Software reproduzierbar.