面對數百首從 CD 轉錄、檔名雜亂、標籤缺失的鳥鳴音訊檔，你會選擇手動一首首修改，還是開發一套具備「生物學智商」的自動化系統？

我起初的想法很單純：在野外走動時，如果聽到鳥聲，我希望能有機會辨識出那是哪隻鳥。於是，企鵝給了我一大包鳥鳴音檔。我只是想找個容易的方式，能隨時翻出想聽的聲音來學習，結果為了這個簡單的願望，就乾脆擼出了這套工具。

這篇文章記錄了 birdsong-processing-kit 的誕生過程：我們如何利用 Gemini AI 與 iNaturalist 生物資料庫，將 816 首混亂的 MP3，轉化為具備「綱、目、科、屬」專業階層、內嵌高清封面與詳細標籤的數位資產。

🎯 核心目標：建立聲音的「數位孿生」

我們擁有的原始資料非常雜碎：有的檔名是「3-55」，有的標籤是日文，有的則是空白。這次自動化改裝的核心目標有三：

  1. 結構化分類：按生物學階層（綱/目/科/屬）重新組織目錄。
  2. 資訊厚化：自動注入 iNaturalist 的標準中文名、學名、以及物種封面圖片。
  3. 溯源管理：在 ID3 標籤中保留原始路徑，確保搬移後依然能追蹤來源。

🛠️ 實作方法：身分校對三部曲 (Identity Cascade)

在開發過程中，我們建立了一套名為「識別決策瀑布」的邏輯，以達到準確度與成本的平衡：

1. 文字優先 (Text-First Discovery)

過度依賴 AI 聽音辨位既昂貴又緩慢。系統會先遍歷原始 ID3 標籤與檔名，清洗掉序號與雜訊，產生候選清單，並優先查詢 iNaturalist API。只要文字比對能獲得精確分類，就不啟動 AI。

2. AI 聽聲辨位 (Gemini 2.5-flash)

針對完全沒有名稱資訊的音軌，系統會自動上傳音訊至 Gemini 2.5-flash。透過 Flash 模型強大的多模態理解力，讓 AI「聽完」後回傳 JSON 格式的識別報告，作為識別的最強墊底方案。

3. 分類中文化校正

iNaturalist 的高階分類（如目、科）往往只有英文或拉丁文。我們另外調用了 Gemini 2.5-flash 針對識別出的學名清單進行批次翻譯，確保目錄結構呈現如「鴞形目/鴟鴞科」這樣的純中文專業觀感。

🚧 遇到的挑戰與克服之道

挑戰 A：AI 成本與處理速度的矛盾

困境：全量 800 多筆若全部上傳辨識，不僅 Token 消耗大，且速度緩慢。 克服：實施「文字預檢」機制。透過 mutagen 深度挖掘 ID3 標籤中的「隱藏資訊」，將 80% 的檔案在文字階段就完成對合，剩餘的 20% 才交由 AI 處理。

挑戰 B：生物分類的標準性

困境：iNaturalist 的資料在不同 locale 下回傳不一。 克服：建立標準化 translation 腳本，手動建立高頻「目/科」對照表，輔以 AI 全面校對，達成 100% 的綱目科中文化。

挑戰 C：瑣碎資料與無盡的 Debug

困境：別看最後的目錄整整齊齊，開發過程其實極其煩躁。原始資料非常瑣碎、非標準化，且 iNaturalist API 的回傳結果充滿例外狀況（例如查「麻雀」跑出「鴞形目」的聯集窘境）。 克服：這沒什麼高深技術，純粹是靠著「遇到 bug 殺一個、遇到瑣碎資料補一條規則」的耐心。中間經歷了多次邏輯推倒重來，才慢慢把這團亂麻理順。

📦 釋出策略與私下協作

考慮到音訊版權與隱私問題，birdsong-processing-kit 目前採取「非公開釋出，私下分享」的策略：

  1. 工具包與資料分離：釋出時分為兩個壓縮檔：
    • birdsong-processing-kit.zip：包含所有 Python 處理腳本、README、使用手冊與技術報告。
    • BIRDSONGS_REORGANIZED_POC.zip：包含實際重構後的音訊資料夾。
  2. 跨環境移植指南：在工具包中附帶了詳細的 README，說明其他使用者如何透過全局取代絕對路徑，在自己的電腦上接手執行。

💡 結語

開發這個工具包不只是為了整理硬碟，更是一次將 AI 幕僚長融入日常資料管理流程的實踐。透過「狀態機管理 (State Management)」確保執行穩定，透過「AI 翻譯」校準語感。現在，只要輸入一個指令，我的電腦就能變身為專業的鳥鳴點歌機。

如果您對這套自動化編目流程有興趣，歡迎私下與我交流。