Las poblaciones de aves sirven como indicadores vitales de la salud del ecosistema, sin embargo, los métodos de encuesta tradicionales, ya sea escuchando con el oído o utilizando detectores automáticos simples, son laboriosos, propensos a errores y tienen dificultades en entornos ruidosos. En este trabajo, esta investigación presenta DuSAFNet, un modelo de aprendizaje profundo que aprovecha la fusión de características de múltiples caminos y la atención espectral-temporal para reconocer automáticamente 18 especies de aves comunes a partir de clips de audio de tres segundos con más del 96% de precisión. Al superar las limitaciones de los enfoques de características únicas y operar de manera robusta bajo ruido del mundo real, nuestro método permite un monitoreo acústico rápido y a gran escala para apoyar evaluaciones de población, gestión de hábitats y planificación de conservación.