如何用Python合并WAV文件并插入指定时长的静音间隔

• 请确保两个待合并的WAV文件采样率、声道数、采样位深完全一致，否则合并后的音频会出现播放异常
• 若计算得到的space_between为负数，说明两个音频总时长已经超过10秒，此时你可以根据需求裁剪音频或者调整总时长要求

以下是完整可运行的实现代码，不需要生成临时静音文件，直接在内存中插入对应时长的静音段即可：

import wave
import struct

# 读取两个待合并的WAV文件
file1 = wave.open('file_1.wav', 'rb')
file2 = wave.open('file_2.wav', 'rb')

# 校验音频参数是否匹配
assert file1.getparams() == file2.getparams(), "两个WAV文件参数不匹配，无法合并"
params = file1.getparams()
framerate = params.framerate
sampwidth = params.sampwidth
nchannels = params.nchannels

# 计算两个音频总时长与所需静音时长
total_length = (file1.getnframes() + file2.getnframes()) / framerate
space_between = 10 - total_length

# 处理总时长超过10秒的异常场景
if space_between < 0:
    raise ValueError(f"两个音频总时长{total_length:.2f}秒已超过10秒，无法插入静音")

# 读取两个音频的原始帧数据
frames1 = file1.readframes(file1.getnframes())
frames2 = file2.readframes(file2.getnframes())

# 生成指定时长的静音帧
silence_frames_count = int(framerate * space_between)
if sampwidth == 2:
    # 16位深采样，静音对应采样值为0
    silence_sample = struct.pack('<h', 0)
elif sampwidth == 1:
    # 8位深采样，静音对应采样值为128
    silence_sample = struct.pack('<B', 128)
else:
    raise ValueError("当前仅支持8位或16位深的WAV文件")
# 按声道数和静音时长拼接生成完整静音帧
silence_frames = silence_sample * nchannels * silence_frames_count

# 按顺序拼接所有音频帧
all_frames = frames1 + silence_frames + frames2

# 写入合并后的输出文件
with wave.open('merged_output.wav', 'wb') as outfile:
    outfile.setparams(params)
    outfile.writeframes(all_frames)

# 关闭文件句柄
file1.close()
file2.close()

上述代码合并后的音频总时长刚好为10秒，如果需要支持更多位深的音频，补充对应位深的采样打包逻辑即可。

内容的提问来源于stack exchange，提问作者Michael Clauss