这套方法叫被动声学监测（passive acoustic monitoring，PAM）：不追鸟、不播放诱声，只把录音器放在那里，安静地收集环境声音。AI 负责从“几千小时没人想听完的录音”里，捞出值得研究的片段。
第一步：把森林的声音变成一张“声谱图”
录音器收到的不是“鸟名”，只是空气振动的波形。模型通常先把长录音切成一小段一小段；BirdNET 的经典版本使用 3 秒音频片段。接着，系统把每段声音转换成声谱图：横轴是时间，纵轴是频率，颜色或明暗表示某个频率在某一刻有多强。
你可以把它想成把一段音乐变成“声音的指纹图”。鸟叫里的音高变化、节奏、持续时间和谐波，会在图上留下不同的纹路。不同鸟种的叫声，往往有各自的纹路组合；风声、雨声、汽车声和昆虫声，也会留下另一套纹路。
BirdNET 这类系统使用卷积神经网络（CNN）扫描声谱图。CNN 最初不会被告知“这一条弯线代表什么”，它要在大量带标签的鸟声样本中，逐层学出哪些局部纹理和时间组合更常与某个物种一起出现。原始 BirdNET 论文用大规模鸟声数据训练了一个可分类数百种鸟的模型，并用独立录音和真实声景检验它。
模型学的不是鸟语，而是在复杂图案里寻找统计上熟悉的形状。输入是声音，输出则是一串物种候选和相应分数。
第二步：AI 不是在数鸟，而是在数“可检测到的声音事件”
假设一段录音里出现了一个候选结果：灰色字体的“某某鸟，0.83”。这句话应该读成：模型认为，这段音频里出现该物种声音的可能性较高。它不是鸟的身份证，也不是“这片林子里有 83 只”的百分比。
一只鸟可能连续叫十次，于是录音里出现十个声音事件；十只鸟也可能同时叫成一团，模型反而只抓住其中几个。还有一些鸟当时安静、离录音器太远，或者叫声被风雨盖住，它们就会在数据里“隐身”。相反，昆虫、机械噪声和别的鸟，也可能制造假阳性——听起来像目标物种，但其实不是。
因此软件导出的“检测次数”更接近候选片段数量，而不是个体数量；置信度分数也只是判断强弱的信号，不能直接翻译成识别正确率，更不能当成鸟群规模。研究者还要保留原始音频、时间、地点和阈值，抽样人工复核。
第三步：从“听见”走到“估算数量”，中间还隔着生态学
如果问题只是“这个地点有没有记录到某种鸟”，模型候选经过复核后，可以帮助建立出现/未出现的数据。把多个地点、多个日期和多次录音放在一起，还可以分析物种丰富度、季节变化或不同栖息地的差异。
但如果问题变成“这里到底有多少只”，就不能只把声音事件加起来。一个更严谨的思路是先估计叫声率：平均每只鸟在单位时间内会发出多少次可检测的叫声，再结合录音器的有效范围、声音传播距离和抽样设计，把“听见多少声”换算成“可能有多少只”。叫声率会随物种、季节、天气、繁殖状态和个体差异改变，不是一个永远固定的换算常数。
研究者还要统一录音器数量、摆放位置、每天录多久、采样覆盖多大范围，并考虑“没听见”到底是鸟不存在，还是它刚好没叫。关于被动声学调查的研究显示，录音时长、空间覆盖和群落中稀有物种的比例，都会改变最终观察到的物种数。听到的不是森林的全部，而是森林在特定时间、特定距离和特定噪声条件下露出来的那一部分。
AI 最擅长的，是把“听不完”变成“查得过来”
在 BirdNET 的原始研究中，模型在较干净的单一物种录音上表现明显好于复杂声景；在那项特定的标注声景测试中，报告的 F0.5 为 0.414。这里的 F0.5 是偏重精确率的综合指标，不等于“识别正确率 41.4%”，也不是所有森林、所有物种都通用的固定数字。但它清楚提醒我们：实验室里清楚的一声鸟叫，和森林里风、雨、昆虫、多种鸟声混在一起的现实录音，不是同一道题。
AI 的价值因此不只是“替人耳朵打分”，而是把分析流程扩大到人类无法逐段听完的规模：先生成候选片段，再按地点和日期筛选，抽样人工检查，最后由生态学模型回答“哪些物种持续出现、哪些地点正在变化”。下游的生态结论，来自模型候选、抽样设计、人工验证和统计分析的共同链条，而不是来自某一次自动识别的弹窗。
很多人会先想到：
AI 在一小时录音里识别出 1000 次鸟叫，就说明森林里有 1000 只鸟。
但更准确地说：
1000 次通常只是 1000 个候选声音事件；同一只鸟可以贡献很多次叫声，多只鸟也可能重叠或完全没有被录到。要估算个体数量，还需要叫声率、检测范围、重复采样和误检校准，不能直接把检测次数当成鸟的数量。
所以，“靠听数鸟”真正改变的，不是把 AI 变成一台神奇点名机，而是把生态调查的瓶颈从“人类听不完”换成“如何设计好采样、校准好模型、解释好不确定性”。AI 先告诉你哪里可能有鸟，科学方法再决定这条线索能不能成为结论。
如果你也想把一段自然声音变成可检验的数据，欢迎在留言区写下你最想监测的场景。