我们有一些需要被配音为各种语言的屏幕截图，我们有目标语言的文本脚本，如下所示：
开始时间音频旁白 0:0 blah nao lorep iposm... 1:20 xao dok dkjv dwv.... ..
我们可以分别记录上述每个单元，然后按照上述脚本中的说明在适当的开始时间将其对齐。
例子：
输入：
输入N个定时值：0:0,1:20 ... 然后输入N个录音
输出：
与上述时间一致的录音。系统应单独检测上溢，而下溢则由静默填充。
是否有任何独立于平台的音频 apis \ 软件或最好在 python 中的代码片段，允许我们根据提供的时间对齐这些音频单元？
如果输入的音频文件是未压缩的（即WAV文件等），我喜欢使用的音频库是libsndfile。它似乎在这里有一个 python 包装器：https ://code.google.com/p/libsndfile-python/ 。考虑到这一点，其余的可以这样完成：
使用 libsndfile 打开输出音频流以将音频数据写入
对于每个输入音频文件，使用 libsndfile 打开一个输入流
根据您的文本描述“脚本”提取给定音频文件的元数据信息
将所需的任何静音写入主输出流，然后将数据从输入流写入输出流。注意当前位置/时间。对每个输入音频文件重复此步骤，检查音频剪辑的目标开始时间是否始终 >= 前面提到的当前位置/时间。如果没有，那么你有一个重叠。
当然，您必须担心采样率匹配等问题，但这应该足以开始。另外，我不确定您是要编写一个输出文件，还是为每个输入文件编写一个输出文件，但这个答案应该足够周到。假设它支持输入文件格式，libsndfile 将为您提供所需的所有信息（例如剪辑长度等）。