HuggingFace：无需保存文件向多模态聊天机器人传递数据的方法

安全阿岳

2026-6-1

无需中间文件传递非文本数据给模型的方案

当然有两种实用的替代方案，不用先存文件就能直接传递音频、图像这类非文本数据：

1. Base64编码嵌入数据

把非文本数据编码成Base64字符串，直接嵌入到请求消息里，不用依赖外部文件或URL。适合大多数支持多模态输入的模型API。

示例代码（以音频为例）：

import base64
import requests

# 直接从网络获取音频字节（无需保存到本地文件）
audio_response = requests.get("https://example.com/audio.mp3")
audio_bytes = audio_response.content

# 将字节编码为Base64字符串
audio_base64 = base64.b64encode(audio_bytes).decode("utf-8")

# 构造包含Base64音频的请求消息
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "audio",
                "data": f"data:audio/mpeg;base64,{audio_base64}"
            },
            {"type": "text", "text": "这段音频里有什么声音？"}
        ]
    }
]

# 后续将messages发送给模型API即可

注意：Base64编码会让数据体积增加约30%，如果是超大文件，可能会影响传输效率，这种情况优先考虑下面的方案。

2. 直接传递原始字节流

部分模型API支持直接发送原始二进制数据（比如通过multipart/form-data格式），不用做任何编码，直接把字节数据作为请求的一部分发送。

示例代码：

import requests

# 获取音频原始字节（无需保存文件）
audio_bytes = requests.get("https://example.com/audio.mp3").content

# 直接发送字节流到模型API
response = requests.post(
    "https://api.example.com/model-inference",
    files={
        "audio": ("audio.mp3", audio_bytes, "audio/mpeg"),  # 第三个参数是MIME类型
        "prompt": (None, "这段音频里有什么声音？")
    }
)

# 处理模型返回结果
print(response.json())