Vamos lá, resultados satisfatórios podem ser obtidos sem uso ANN/RNAs, comparar amplitude (mencionado em uma resposta aqui) nunca irá funcionar da maneira proposta, a pergunta é muito ampla, não posso simplesmente escrever um artigo aqui com todos os passos, apesar de parecer complicado se você tiver uma boa base matemática/algébrica e em processamento de sinais você verá que não é tão complicado assim, pode ser trabalhoso, mas não muito complexo, portanto estar familiarizado com esses campos é mais que essencial, além de base sólida em processos determinísticos e estocásticos.
Talvez eu comece a falar os passos aqui e você "não entenda bolhufas", portanto fica a seu critério se aprofundar, os passos são:
Extrair as características de cada pássaro (áudio de cada canto), isso pode ser feito extraindo o MFCC - Mel Frequency Cepstral Coeficientes
O MFCC extrai o envelope/formantes (contorno) das frequências de um sinal no domínio da frequência, isso nos diz de maneira consistente a forma do trato vocal no envelope do espectro, teremos as bandas de frequência igualmente espaçadas na escala mel, o qual se aproxima da resposta do sistema auditivo humano de forma mais estreita do que as bandas de frequência linearmente espaçados utilizados no cepstrum normal, de modo geral 12 coeficientes são suficientes, a grosso modo é um banco de filtros do espectro:
Neste ponto você terá um vetor de 12 posições representando as características do canto para cada pássaro que deseja, não quero me aprofundar muito, mas a partir de agora tudo que você precisa fazer é comparar seu vetor pré gravado com um novo(atualmente desconhecido) e pontuar qual deles possui melhor similaridade, você pode inciar por comparações mais simples como Euclidiana ou tentar algo mas elaborado como por exemplo Dynamic Time Warping