新研究:机器学习揭示大象合唱声编码行为信息
一项发表于 Scientific Reports 的研究用机器学习分析大象重叠合唱声,无需分离每头个体的叫声即可预测其行为情境。研究分析1986至2022年间成年雌象的903次隆隆声,发现约60%的隆隆声发生在两只及以上个体的合唱中,并在问候、联络和节奏性隆隆声三类情境中观察到发声趋同现象。
一项发表于 Scientific Reports 的研究用机器学习分析大象重叠合唱声,无需分离每头个体的叫声即可预测其行为情境。研究分析1986至2022年间成年雌象的903次隆隆声,发现约60%的隆隆声发生在两只及以上个体的合唱中,并在问候、联络和节奏性隆隆声三类情境中观察到发声趋同现象。
研究团队提出硬件感知的 Bat Activity Detector(BAD),用于在 192–384 kHz 可变采样率下区分蝙蝠叫声与生物及环境干扰。该模型针对 Silicon Labs EFM32PG26(MVP)以 8 位整数精度实现全部 14 层硬件卸载,占用 17.2 KB Flash 与 73.1 KB RAM。
研究提出采样频率无关(SFI)前端,直接在录音原生采样率下处理,并搭配带渐进时间尺度融合的傅里叶神经算子(FNO)骨干,避免固定采样率重采样与高频信息损失。在含84个类别、60种采样率的多类群语料上,SFI-FNO配置优于固定采样率和语料最大采样率基线,取得0.906准确率、0.921平衡准确率和0.899的Macro-F1。训练时轻度采样率增强进一步提升对未见采样率变化的鲁棒性。
Emanuele Rossi 等研究者用模型合并将 NatureLM-audio 与其原始语言模型结合,在训练中未见过分类科的物种上取得 F1 相对提升超 200%,创下该评测的新最优。合并后模型在保持动物声音识别能力的同时,更能遵循多样化指令。相关成果在 NeurIPS 2025 非人类动物交流 AI 研讨会上展示,其经验已用于即将发布的 NatureLM-audio 2.0。
CENSE 发布第 10 期声音作品合辑 MARE SUEBICUM,呼应即将在格但斯克举办的活动主题与地理语境,汇集 CENSE 社群及合作者的音频作品。波罗的海在罗马帝国时期被称为 Mare Suebicum,如今被视为全球受威胁最严重的海域之一,浅而近乎封闭的盆地使污染滞留数十年。
世界声学生态论坛(WFAE)发售 R. Murray Schafer 八十寿辰纪念文集《Ways of Listening, Figures of Thought》,平装 72 页,需支付 15 美元名义费用以覆盖海外运费与包装。
布里斯托大学 Marc Holderied 教授将于 10 月 22 日在 Sustainable Sound Futures CDT 线上大师课介绍其团队发现的天然声学超材料,并展示面向仿生超材料吸声体的后续工作。