Python中不写入磁盘合并二进制WAV文件的实现方法

没问题！你完全可以在内存里完成WAV文件的合并，不用碰磁盘——核心就是用io.BytesIO替代真实的磁盘文件路径，全程在内存中处理，直接把合并后的二进制数据传给语音识别接口就行。下面是修改后的完整实现：

import io
import wave

# 从WebSocket获取的WAV二进制数据列表
audio_binaries = [binary_wav1, binary_wav2, ..., binary_wavN]

# 将每个二进制数据转换为内存字节流
audio_streams = [io.BytesIO(x) for x in audio_binaries]

# 在内存中完成WAV文件合并
merged_wav_stream = io.BytesIO()
params_initialized = False

with wave.open(merged_wav_stream, 'wb') as output_wav:
    for stream in audio_streams:
        with wave.open(stream, 'rb') as input_wav:
            if not params_initialized:
                # 仅需初始化一次输出参数（所有输入WAV参数必须一致！）
                output_wav.setparams(input_wav.getparams())
                params_initialized = True
            # 读取输入文件的所有帧并写入输出流
            output_wav.writeframes(input_wav.readframes(input_wav.getnframes()))

# 将内存流的指针重置到起始位置，以便读取完整数据
merged_wav_stream.seek(0)
final_binary_audio = merged_wav_stream.read()

# 直接将合并后的二进制数据传入语音识别接口
ASR(final_binary_audio)

重要注意事项： #

• 内存流指针重置：写完数据后，BytesIO的读写指针会停在流的末尾，必须调用seek(0)将指针移回起始位置，才能正确读取完整的合并后音频数据。
• WAV参数一致性：确保所有从WebSocket获取的WAV文件拥有完全相同的参数（采样率、位深、声道数、编码格式等），否则合并后的音频会出现杂音或无法正常播放识别的问题。如果参数可能不一致，需要先做参数统一处理（比如重采样）。
• 资源高效性：这种方式完全避免了磁盘I/O操作，不仅速度更快，还省去了临时文件的创建、清理等额外工作，尤其适合实时语音识别的场景。

内容的提问来源于stack exchange，提问作者Iñigo Casanueva