如果你也在做类似的户外声音监测项目，你会发现一个很现实的断层：模型识别很容易，持续无人值守地采集和判断很难。
用监控摄像头搭鸟类自动识别系统，核心难点并不在“认鸟”。BirdNET 这类模型已经能把“这段音频里是什么鸟”这件事做到相当好的程度，真正折磨人的是另外几件事：摄像头流怎么稳定采下来，音频怎么切成模型能吃的片段，7x24 连续跑的时候会不会重复告警，断流之后能不能自己恢复，积累几个月的数据怎么查、怎么用。
这篇文章不打算只讲 BirdNET 的原理，而是围绕一条完整可落地的链路来展开：用带音频的监控摄像头做人站式采集，把 RTSP 流里的声音连续切成短音频，交给 BirdNet-Go 推理组件做物种识别，再由一个常驻 Go 服务完成去重、通知和证据留存。读完你可以搭出一套类似的最小系统，也能够理解它在生产环境里会遇到哪些坑。
1. 为什么要自己搭一套自动鸟类识别系统
先想一个具体场景。假设你在后院、农场、林地边缘或者某个研究点位放了一台监控摄像头。摄像头的价值不只是画面，很多网络摄像头内置麦克风，能连续录下周围的环境声。这正好满足了被动声学监测的采集需求：设备固定、无人打扰、一天 24 小时都在工作。
问题在于，录下来的声音很难处理。按 3 秒一段来算，一天就是 28800 段音频。如果靠人工去听，基本不可能。如果只是把这些音频丢给某个模型批量跑一次，那也只是把“人工听”换成了“机器听”，离“系统”还差得很远。自动识别系统应当具备以下能力：
- 持续采集音频流，而不是手动录制文件再上传。
- 自动切片并触发识别，不需要人每天登录看有没有新文件。
- 对识别结果按物种、时间做去重，避免同一种鸟每 3 秒骚扰你一次。
- 保存原始音频、置信度、时间戳等证据，方便事后核验。
- 识别到目标物种时，能主动推送通知，并抓一张监控画面作为辅助证据。
这套能力模型本身给不了你，需要工程侧来解决。BirdNet-Go 解决的是“推理”这一环，而把它变成可用的监测系统，还需要你补上采集、调度、存储和通知。
从成本角度看，搭建这样一套系统也不需要特别贵的硬件。普通支持 RTSP 的网络摄像头、一个能跑 Linux 的小主机或旧电脑就够用。推理组件优先走 CPU 也能跑，只是并发量不同而已。这也是这篇文章为什么值得实践的原因：模型开源、工具链成熟、整体门槛其实没有想象中那么高。
2. BirdNET、BirdNet-Go 与整个链路中的关键概念
2.1 BirdNET 是什么
BirdNET 是由康奈尔鸟类学实验室等机构参与研发的鸟类声音识别模型。它做的不是“看图识鸟”，而是从音频里识别鸟鸣。你给它一段几秒的声音，它能输出一个物种列表，每个物种带一个置信度分数。
传统鸟类调查靠研究者蹲点听音，或者把录音拿回实验室看声谱图。而 BirdNET 用深度学习模型直接学习音频频谱上的时频模式，相当于把“听音识鸟”这件事自动化了。它覆盖的物种数量已经达到数千种级别，不同版本、不同区域模型覆盖范围有差异，实际使用时以你拿到的模型文件说明为准。
理解 BirdNET 要注意一点：它不是一个通用语音识别模型，而是专门针对鸟类声音设计的。所以不要拿它去识别猫叫狗叫，那是另一类问题。它解决的是“有鸟叫声，请告诉我是什么鸟”这一窄但高频的任务。
2.2 BirdNet-Go 在系统中的定位
很多第一次接触这个方向的同学，会以为 BirdNet-Go 和 BirdNET 是两个互相竞争的模型。更准确的理解是：BirdNET 是模型和算法的源头，而 BirdNet-Go 这类工程组件，负责把模型推理包装成更适合服务化、无人值守场景的程序。
为什么人们愿意用 Go 来做这个包装？因为这类监听系统本质上是一个长时间运行的守护型任务。它需要稳定的进程管理、明确的退出机制、方便的状态上报，还要在并发处理多路音频时有足够的可控性。Go 在这类程序里很合适：编译成单个二进制后部署简单，标准库对 HTTP、JSON、定时任务、进程退出这些常见需求支持得比较完整。
需要特别说明的是，不同开源项目里叫“BirdNet-Go”的实现可能并不完全一样。有的会提供命令行接口，有的会把推理服务封装成 HTTP 接口，还有的会直接把 TensorFlow Lite 模型编译进 Go 服务里。因此这篇文章不会假定一个具体的 API 名称或命令参数，而是把推理部分留成一个“适配点”。你只需要替换成自己实际安装的那个组件即可，文章里整套采集、调度、通知、存储的架构思路不受影响。
2.3 为什么用监控摄像头而不是单独放录音机
单独放一台录音机当然也可以做鸟类声学监测，但监控摄像头有它独特的优势：
- 自带供电和网络，容易做成无人值守设备。
- 用 RTSP 标准协议拉流，音视频同步采集。
- 识别到目标鸟时，可以回抓画面，给音频判断增加一个环境佐证。
- 很多摄像头本身就有比较完整的支架、防水和户外适应能力。
当然，也有代价。普通监控摄像头的内置麦克风通常只有几百块钱的拾音水平，不适合做精细的声学分析。它更适合“发现鸟、判断物种、长期趋势记录”这类任务。如果你需要高质量录音用于科研级分析，建议另外接拾音器或专业录音设备。
3. 系统整体架构与核心流程
整个系统可以拆成四个环节，代码和配置都围绕这四个环节展开。
RTSP 音视频流 ↓ ① 音频采集与切片 ↓ ② 推理识别组件（BirdNet-Go 适配层） ↓ ③ 分析调度服务（去重、阈值判断、通知） ↓ ④ 结果留存与证据抓拍每一步要解决的关键问题如下。
第一步是采集。摄像头上的音频通过 RTSP 流出，需要用一个稳定的工具拉流、转码、切片。本文使用 ffmpeg 来做，因为它成熟且几乎任何 Linux 发行版都有现成包。切片长度很关键。BirdNET 类模型通常按 3 秒左右的窗口判断声音，所以这里直接切 3 秒一档，对后面对齐最方便。
第二步是推理。每产生一个新的 3 秒 WAV 文件，就交给 BirdNet-Go 组件去识别。它的输出应至少包含物种名称和置信度。如果用的是 HTTP 服务版的推理组件，这一步就变成一个 POST 请求；如果用的是命令行版，就通过进程调用。
第三步是调度与策略。不是每个识别结果都值得通知，这里需要设置置信度阈值，比如只有大于 0.7 的才推送。同时要做物种维度的冷却去重，避免同一种鸟在几分钟内重复推送几十次。
第四步是留存。每次识别都应该把结果追加到结构化记录中，可以是 JSON Lines，也可以导入 SQLite 等数据库。推荐同时保留原始音频片段和录像抓帧，方便事后人工复核。
这套流程看起来简单，但把每一环的边界理清楚以后，你就知道代码该写在哪里、出了问题该查哪一层。
4. 环境准备与前置条件
下面的实践以 Linux 环境为主，Debian/Ubuntu 或者树莓派系统都可以。Windows 用户可以走 WSL，但设备管理和开机自启部分需要自己调整。
推荐准备以下组件：
- 一台能连续运行的 Linux 主机，树莓派 4 或普通 x86 小主机均可。
- 一个支持 RTSP 且带音频的网络摄像头，先确认后台有开启音频流。
- ffmpeg，用于拉流、转码、切片和抓帧。
- Go 1.21 及以上版本，用于编译分析调度服务。
- 一个可用于接收消息的 Webhook，例如企业微信群机器人或钉钉群机器人。
- sqlite3，用于把识别结果导入本地数据库。
安装基础依赖的命令如下：
sudo apt update sudo apt install -y ffmpeg sqlite3 golang-go确认 ffmpeg 版本：
ffmpeg -version版本建议不要太旧。如果你的系统自带版本过老，可以考虑从官方静态构建包安装，但这不属于必需步骤。
创建好工作目录：
sudo mkdir -p /data/bird-system/{raw,done,errors,snapshots,logs} sudo chown -R $USER:$USER /data/bird-system需要再次提醒，RTSP 地址里一般带摄像头用户名和密码，不要把这类地址硬编码写进代码仓库。本地开发可以用环境变量，生产环境用 systemd 的 EnvironmentFile，并给摄像头配置一个权限受限的专用账号。
5. 核心流程一：用 ffmpeg 连续采集并切片音频
音频采集是整个系统最基础、也最容易出问题的一环。先用一条命令手动跑通，再考虑放到 systemd 里做开机自启。
RTSP 地址规则因摄像头品牌而异。常见格式类似：
rtsp://用户名:密码@摄像头IP:554/Streaming/Channels/101注意主码流和子码流。有些摄像头主码流只带高清视频，不带音频，音频在子码流上。如果发现拉流后没有声轨，尝试换成子码流通道地址。
下面这条命令会把 RTSP 流中的第一个音频轨取出来，转成 48kHz 单声道 PCM WAV，并按 3 秒一段切分保存：
mkdir -p /data/bird-system/raw ffmpeg -hide_banner -loglevel warning \ -rtsp_transport tcp \ -i "rtsp://USER:PASSWORD@CAMERA_IP:554/Streaming/Channels/101" \ -map 0:a:0 -vn \ -ac 1 -ar 48000 -c:a pcm_s16le \ -f segment -segment_time 3 -reset_timestamps 1 -strftime 1 \ "/data/bird-system/raw/%Y%m%d_%H%M%S.wav"解释几个关键参数：
-rtsp_transport tcp：强制用 TCP 传输 RTSP，避免 UDP 丢包导致音频中断。-map 0:a:0：只取第一个音频轨，丢弃视频轨，减少转码负载。-ac 1 -ar 48000：转成单声道、48kHz。BirdNET 一类模型默认对音频的采样率有要求，不同推理组件可能不同。如果你的组件要求 32kHz 或 44.1kHz，就同步修改这里。-f segment -segment_time 3：以 3 秒为单位切片。-strftime 1：文件名使用系统时间生成，便于后续对齐时间。-reset_timestamps 1：每个切片的时间戳从零开始，避免切片之间时间戳错乱。
执行后如果能看到 raw 目录下持续出现 3 秒的 WAV 文件，说明采集已经跑通：
ls -l /data/bird-system/raw | tail如果没有 WAV 文件产生，先看 ffmpeg 的输出日志。最常见的原因是：摄像头音频不是标准 AAC 或 PCM，或者 RTSP 地址里的通道不包含音频。这时可以去摄像头后台先把音频编码改为 AAC，或者切换子码流地址测试。
还有一个工程细节需要提前考虑：ffmpeg 一旦断流会直接退出，因此长时间无人值守必须把它交给进程守护工具管理。后面写到 systemd 时会给出配置。
6. 核心流程二：推理适配层与 BirdNet-Go 接入
音频切好以后，接下来要对它做识别。这一环在工程上要设计得足够独立，因为不同版本的 BirdNet-Go 组件提供的接口不一样，以后你升级模型或者切换组件，不应该把整个服务都推翻重写。
我建议的做法是，在你的分析调度服务里保留一个单独的函数，叫做推理入口。这个函数只做一件事：输入一个 WAV 文件路径，输出一个包含物种和置信度的结构体。至于底层是调用命令行、REST 接口还是本地函数库，都在这个函数内部完成。
下面用 Go 写一个最小但可以编译的分析调度服务骨架。它监听 raw 目录，对每个新出现的 WAV 文件调用一次推理，然后根据置信度判断是否通知，并把结果追加到 JSON Lines 文件中。
// 文件路径：main.go package main import ( "bytes" "context" "encoding/json" "fmt" "log" "net/http" "os" "os/exec" "path/filepath" "strings" "time" ) const ( confidenceThreshold = 0.7 alertCooldown = 10 * time.Minute ) type Detection struct { Species string `json:"species"` Confidence float64 `json:"confidence"` } // runBirdNetGo 是整个系统的推理适配点。 // 如果你安装的 BirdNet-Go 是命令行工具，就把下面的命令换成它的真实用法； // 如果它是 HTTP 服务，就改成向对应地址 POST 音频文件。 func runBirdNetGo(ctx context.Context, wavPath string) (*Detection, error) { cmd := exec.CommandContext(ctx, "birdnet-go", "analyze", "--input", wavPath, "--format", "json", ) var outBuf, errBuf bytes.Buffer cmd.Stdout = &outBuf cmd.Stderr = &errBuf if err := cmd.Run(); err != nil { return nil, fmt.Errorf("run inference: %w, stderr=%s", err, strings.TrimSpace(errBuf.String())) } var det Detection if err := json.Unmarshal(outBuf.Bytes(), &det); err != nil { return nil, fmt.Errorf("parse inference output: %w, raw=%s", err, outBuf.String()) } return &det, nil } func moveFile(src, destDir string) { dest := filepath.Join(destDir, filepath.Base(src)) if err := os.Rename(src, dest); err != nil { log.Printf("move %s failed: %v", src, err) } } func appendJSONL(dataDir string, rec map[string]interface{}) { path := filepath.Join(dataDir, "detections.jsonl") f, err := os.OpenFile(path, os.O_APPEND|os.O_CREATE|os.O_WRONLY, 0644) if err != nil { log.Printf("open jsonl failed: %v", err) return } defer f.Close() line, _ := json.Marshal(rec) f.Write(append(line, '\n')) } func notify(webhookURL string, det *Detection, wavName string) { if webhookURL == "" { return } msg := map[string]interface{}{ "msgtype": "text", "text": map[string]interface{}{ "content": fmt.Sprintf("检测到鸟类：%s（置信度 %.2f），音频：%s", det.Species, det.Confidence, wavName), }, } body, _ := json.Marshal(msg) resp, err := http.Post(webhookURL, "application/json", bytes.NewReader(body)) if err != nil { log.Printf("webhook post failed: %v", err) return } defer resp.Body.Close() if resp.StatusCode >= 300 { log.Printf("webhook response status: %d", resp.StatusCode) } } func main() { dataDir := os.Getenv("DATA_DIR") if dataDir == "" { dataDir = "/data/bird-system" } rawDir := filepath.Join(dataDir, "raw") doneDir := filepath.Join(dataDir, "done") errDir := filepath.Join(dataDir, "errors") webhookURL := os.Getenv("WEBHOOK_URL") for _, dir := range []string{rawDir, doneDir, errDir} { os.MkdirAll(dir, 0755) } lastAlertAt := map[string]time.Time{} for { entries, err := os.ReadDir(rawDir) if err != nil { log.Printf("read raw dir: %v", err) time.Sleep(5 * time.Second) continue } for _, entry := range entries { if entry.IsDir() || !strings.HasSuffix(entry.Name(), ".wav") { continue } src := filepath.Join(rawDir, entry.Name()) info, err := entry.Info() if err != nil { continue } // 文件刚生成时可能还在写入，等 2 秒再消费。 if time.Since(info.ModTime()) < 2*time.Second { continue } ctx, cancel := context.WithTimeout(context.Background(), 3*time.Minute) det, err := runBirdNetGo(ctx, src) cancel() if err != nil { log.Printf("inference failed for %s: %v", src, err) moveFile(src, errDir) continue } rec := map[string]interface{}{ "detected_at": info.ModTime().Format(time.RFC3339),
