如果我们在世界各地倾听它的情况下，我们可以从大自然中学到很多，而世界各地的科学家正试图这样做。从山峰到海洋深度，生物学家越来越多地种植录音机，不引人注目地窃听鲸鱼，尖叫，蝙蝠，尤其是鸟类的呻吟，尖叫，口哨和歌曲。例如，今年夏天，2000多个电子耳将记录加州塞拉尼亚山脉的声音景观，产生近一百万小时的音频。为了避免消费多个人类寿命解码，研究人员依靠人工智能。

这些录音可以创造动物社区的宝贵快照，并帮助保护主义者以生动的细节理解，政策和管理实践如何影响整个人口。收集有关区域中的物种数量和个人数量的收集数据只是一个开始。Sierra Nevada Soundscape包含关于当年历史型野火如何影响生活在该地区不同栖息地和生态条件下的鸟类的重要信息。录音可以揭示各种动物人群如何风化灾难，以及哪些保护措施帮助物种更有效地反弹。

此类录音还可以捕获有关更大组中个体之间的交互的细节。例如，在一个Canorats的Cacophony中，Mates如何找到彼此？科学家们可以另外使用声音来跟踪迁移定时或人口范围的换档。大量的音频数据在其他地方的研究中涌入：基于声音的项目正在进行昆虫，研究光线和噪声污染对禽群社区的影响，追踪濒危物种，触发警报录像机检测非法偷猎的噪音或记录活动。

“音频数据是一个真实的宝库，因为它包含大量信息，”康奈尔大学博士后研究人员，生态学家Connor Woods，领先的是塞拉尼亚达项目。“我们只需要创造性地思考如何分享和访问[该信息]。”这是一个迫在眉睫的问题，因为它需要人类长时间才能从录音中提取有用的见解。幸运的是，最新一代的机器学习AI系统 - 可以在不到一天的时间内识别来自他们的呼叫中的动物物种 - 可以在不到一天的时间内缩短数千小时的数据。

“机器学习一直是我们的大型游戏变频器，”鸟类康乐学院康涅狄格州的康乐学院助理中心康涅尔州斯威尔士·斯曼斯说，康乐学院的康乐学士学中心。她研究动物中的声学通信，包括蟋蟀，青蛙，蝙蝠和鸟类，并且在巴拿马中部雨林中积累了许多月的Katydids（着名的声乐长角蚱蜢，这是食品网的重要组成部分）。繁殖活动和季节性种群变异的模式隐藏在这种音频中，但分析它非常耗时：她的同事们遇到了600小时的工作，以便从只有10个录得的小时的声音来分类各种Katydid物种。但是，一台机器学习算法她的团队正在开发，称为Katydid，在其人类创造者“出去啤酒时进行了相同的任务，”塞姆斯说。

Machine-learning setups like KatydID are self-learning systems that use a neural network—“a really, really rough approximation of the human brain,” explains Stefan Kahl, a machine-learning expert at Cornell’s Center for Conservation Bioacoustics and Chemnitz University of Technology in Germany. He builtBirdnet.是今天使用的最受欢迎的禽流识别系统之一。Wood的团队将依靠Birdnet来分析塞拉尼亚赛的录音，其他研究人员正在使用它来记录光线污染对法国Brière地区自然公园的黎明合唱的影响。

这种系统通过分析许多输入来开始 - 例如，数百名录制的鸟类呼叫，每个鸟类呼叫都是“标记为”的相应物种。然后，神经网络教授本身可用于将输入（在这种情况下，鸟类的呼叫）与标签（鸟的身份）相关联。凭借往往涉及数百万极度微妙的特征，人类甚至无法知道其中大多数是什么。

旧版本的检测软件是半自动的。它们扫描音频信号的光谱图 - 视觉描绘 - 用于诸如频率范围和持续时间的建立的特征，以识别其歌曲的歌曲。这适用于某些物种。例如，北极极的歌曲，例如，始终如一的始于几个长的音符，然后在音高上升，随后是快速的，短的笔记，在球场上有明显的倾角。它可以容易地从频谱图识别，就像可以从乐谱识别的那样像歌曲一样。但其他禽拨者更复杂，变化，并且可以混淆旧系统。“你需要的不仅仅是签名来识别物种，”Kahl说。许多鸟有多首歌，就像其他动物一样，他们经常有区域“方言”。来自华盛顿州的白冠麻雀听起来很不同来自加州堂兄弟。机器学习系统可以识别这些细微差别。“让我们说今天有一个尚未发布的披头士歌曲。你以前从未听过旋律或歌词，但你知道这是一个披头士歌曲，因为这就是他们的声音，“Kahl解释道。“这也是这些计划学会做的事情。”

事实上，这些系统有利于人类演讲和音乐识别技术的最近进步。纽约大学音乐和音频研究实验室的专家们与Andrew Farnsworth与Andrew Farnsworth一起制定了他们的音乐体验，以建立一个名为Birdvox的鸟呼叫识别系统。它检测并识别夜间迁移的鸟类，并将鸟类与背景噪音区分开来，包括青蛙和昆虫电话，人的地面和空运，以及风和雨水的来源，所有这些都可以令人惊讶地响亮和变化。

每种系统学习的程度如何取决于可用预订录音的数量。普通鸟类已经存在了丰富的这些数据。KAHL估计有关10,000种的420万次录音。但是，大多数3,000多种Birdnet可以识别欧洲和北美，而Birdvox进一步缩小其对基于美国鸟类的歌曲。

“在其他地方，对于没有良好的数据，[Birdnet]的rarer种类，[birdnet]也不起作用，”印度的生态学家V. V. Robin说。他在杰尔登的法式赛道上很热，这是一个危险性濒危夜间鸟，尚未正式发现了大约十年。罗宾和他的合作者在南方印度野生动物保护区放置了录音机，以试图捕捉其电话。他在印度南部的全球生物多样性热点中也一直在西部努力的山丘上录制鸟类，自2009年以来。这些录音令人生意地注释，以培养本地开发的机器学习算法。

公民科学家还可以帮助填补鸟类存储库中的空白。Birdnet为Amateur Birders提供了一个大的智能手机应用程序。它们记录音频片段并将其提交给应用程序，该应用程序告诉他们歌手的物种 - 并将录制添加到研究人员的数据库。Kahl说，每天都有超过300,000次录音。

这些机器学习算法仍然有改进的空间。虽然它们比人类快速地分析音频，但它们仍然落后于筛选在兴趣的信号中回家的重叠声音。一些研究人员认为这是AI解决的下一个问题。然而，即使是目前的不完美版本，也能够扫描项目，这对于人类来说，即使是耗时的耗时。“作为生态学家，”木头说：“Birdnet这样的工具让我们梦想大。”