Xeno-Canto 这种公民科学平台上传的鸟鸣录音, 除了音频本身, 还带着录制地点和时间戳这类元数据, 一直没被真正用起来。MetaPerch 这篇论文把经纬度和时刻直接当成辅助监督信号丢进训练, 结果在物种识别任务上刷出了新的 SotA。 思路其实很朴素: 一只鸟在南美雨林清晨叫和在北欧针叶林傍晚叫, 物种分布本来就不同, 位置和时间就是免费的先验。以前的 bioacoustic 基础模型全靠音频波形+人工标注硬训, 白白扔掉了平台里现成的上下文字段。 生物声学、生态遥感、甚至野外相机陷阱这类长尾多模态场景, 都可以照抄这个套路——数据源自带的元数据字段才是真正的免费午餐。