检测 Windows 上是否有声音正在播放，听起来是个小需求，但真正动手做的时候会发现坑不少。有人用轮询系统音量判断，有人截图对比任务栏图标，结果都不稳定。其实 Windows 提供了官方的音频计量接口（Audio Meter），pycaw 这个 Python 库把它封装得很好，可以逐会话读取音频峰值，只要峰值大于零，就能确定声音确实在播放。本文从原理讲到代码，帮你把这套方案落地。
一、先搞清楚 Windows 的音频会话架构
Windows 从 Vista 开始引入了 WASAPI（Windows Audio Session API），核心概念是：每个产生声音的应用程序都会创建一个或多个音频会话（Audio Session），系统按会话为单位管理音量和静音状态。这意味着检测播放状态不能只看系统总音量，因为总音量大于零不代表有程序在放声音，反过来某个会话静音了也不影响其他会话。
pycaw 的做法是先通过 AudioUtilities.GetSpeakers() 拿到默认输出设备，再从设备激活 IAudioMeterInformation 和 IAudioSessionManager2 两个 COM 接口。前者提供 GetPeakValue 方法，返回 0.0 到 1.0 之间的浮点数，表示当前音频信号的瞬时峰值；后者用于枚举所有活跃会话。只要任意一个会话的峰值持续大于零，就说明确实有声音在播放。
需要特别注意的是，峰值大于零才是真正的“正在播放”。有些程序（比如浏览器标签页）即使暂停了播放器，会话仍然存在，只是峰值归零。所以判断依据必须是峰值而不是会话是否存在，这是很多人踩的第一个坑。
二、基础实现：读取音频峰值
先安装依赖：pip install pycaw comtypes。下面是一段最基础的检测代码，每秒读取一次所有会话的峰值：
from pycaw.pycaw import AudioUtilities, IAudioEndpointVolume
from ctypes import cast, POINTER
from comtypes import CLSCTX_ALL
import time
def get_all_sessions_peak():
speakers = AudioUtilities.GetSpeakers()
if speakers is None:
return None # 找不到音频设备
manager = speakers.Activate(
IAudioEndpointVolume._iid_, CLSCTX_ALL, None)
sessions = AudioUtilities.GetAllSessions()
max_peak = 0.0
for session in sessions:
if session.Process is None:
continue # 系统会话，跳过
peak = session.SimpleAudioVolume.GetMasterVolume()
meter = session._ctl.QueryInterface(
AudioUtilities.IMMDeviceEnumerator)
# 上面只是示例，真正读取峰值如下
volume = session.SimpleAudioVolume
peak = session.AudioMeter.GetPeakValue()
max_peak = max(max_peak, peak)
return max_peak
while True:
peak = get_all_sessions_peak()
print(f"当前峰值: {peak}")
time.sleep(1)实际写的时候更推荐简洁的写法，直接对每个 session 调用 session.AudioMeter.GetPeakValue()。上面代码刻意展示了完整的 COM 激活过程，方便你理解底层结构。如果你的需求只是判断“有没有声音”，遍历所有会话取最大峰值就够了。
有个细节：进程退出后对应的 COM 对象可能失效，直接访问会抛异常。稳妥的做法是把整个遍历包在 try/except 里，遇到失效会话就跳过，下一轮循环重新枚举。COM 对象的生命周期由引用计数管理，Python 的垃圾回收时机和 COM 不完全同步，这也是导致“跑一会儿就崩”的主要原因。
三、稳定性优化：处理设备切换和误判
基础版能跑，但离稳定还差几步。第一个问题是设备切换：用户从扬声器切到蓝牙耳机后，原来拿到的设备指针就失效了。解决办法是不要缓存设备对象，每轮检测都重新调用 AudioUtilities.GetAllSessions()，虽然多了一点开销，但换来的是对设备变化的无感适应。
第二个问题是误判。峰值偶尔会出现极小的非零值（比如 0.001），这通常是静音状态下的底噪或残留信号。建议设置一个阈值，比如峰值低于 0.02 就视为静音，并且采用“连续 N 次超阈值才算播放中”的防抖策略，避免瞬间爆音导致状态来回跳变。示例代码如下：
import time
from pycaw.pycaw import AudioUtilities
THRESHOLD = 0.02 # 峰值阈值
CONFIRM_COUNT = 3 # 连续确认次数
def is_playing():
try:
sessions = AudioUtilities.GetAllSessions()
for session in sessions:
try:
if session.AudioMeter.GetPeakValue() > THRESHOLD:
return True
except Exception:
continue # 会话已失效，跳过
return False
except Exception:
return False # 设备切换等异常时按静音处理
playing_count = 0
while True:
if is_playing():
playing_count += 1
else:
playing_count = 0
if playing_count >= CONFIRM_COUNT:
print("检测到持续播放")
time.sleep(0.5)第三个问题与 Python 环境有关。pycaw 依赖 comtypes，而 comtypes 对多线程支持一般，如果你把检测逻辑放进子线程，务必只在一个线程里做 COM 调用，其他线程通过队列或标志位通信。另外在打包成 exe 时，comtypes 需要生成缓存文件，默认写到 C:\Users\用户名\AppData\Local\Temp，如果目标机器该目录无写权限会初始化失败，可以用 comtypes.client.gen_dir 指定一个可写目录来解决。
四、扩展应用与替代方案对比
拿到会话级别的峰值后，还能做很多有意思的事：比如按进程名统计哪个软件在发声，配合 session.Process.name() 就能实现“检测到指定程序播放时自动执行动作”的自动化脚本；也可以读取 session.SimpleAudioVolume 对单个程序的音量做精细控制，这对录音、直播推流场景非常实用。
和其他方案对比一下：用 sounddevice 或 pyaudio 录制回环音频（WASAPI loopback）再计算 RMS，也能判断是否有声音，精度更高，但 CPU 开销大、代码复杂；直接读注册表 HKEY_CURRENT_USER\Software\Microsoft\Multimedia 下的信息则完全不可行，系统并不在那里记录实时播放状态。pycaw 的优势就在于轻量、纯读取、不需要管理员权限，是绝大多数场景下的最优解。
总结一下关键点：用峰值而不是会话存在性判断播放、每轮重新枚举会话以适应设备切换、加阈值和防抖消除误判、异常一律捕获后跳过。掌握这几条，你的音频检测脚本就能在 Windows 10 和 Windows 11 上长期稳定运行了。
pycaw音频播放状态Windows音量控制修改时间：2026-09-07 01:28:32