Uma boa forma de fazer mas que demandarequer uma pequena familiarização prévia com o conceito de Redes Neurais Artificiais seria extrair do som um vetor (ou dois vetores separados) contendo as frequências predominantes e amplitudes daquele trecho e usar esse vetor como entrada para uma RNA que foi previamente alimentada com gravações de pássaros conhecidos. Mais exatamente com os dados de frequência e amplitude dessas gravações.
Acredito que é um caso simples e apropriado para a aplicação de RNAs porque se tratam de sons simples, sem mistura de frequências. Naturalmente irá funcionar melhor quando os trechos sob teste forem de sons individuais, isto é, um único pássaro cantando por vez.
Estou falando sobre RNAs mas não entendo muito sobre elas. Conheço somente as do tipo Percéptron, e acredito que seja um caso para elas.
Não indico as bibliotecas mais apropriadas para isso porque não as conheço, mas nada que uma googlada por ANN (Artificial Neural Networks) e Java não resolva. E hoje em dia do jeito que as coisas estão talvez haja até algum serviço gratuito que ofereça RNAs para você treinar e utilizar.
Também deixo ao seu encargo escolher se é melhor executar esse processamento do lado do dispositivo Android ou de um servidor remoto.