Numpyでの音データ同士の重ね合わせ

挿入するwavファイルの先頭と末尾に無音区間を入れて、行列の要素数を揃えた上で合成すること自体は可能です。

import numpy as np
from scipy.io import wavfile

rate = 44100
pad_start_sec = 5 # データ挿入位置

# サンプルデータ(sin.wav, noise.wav)作成
def create_samplings():
    seconds = 10 # 正弦波データ10秒
    sin_wave = [i / 20 for i in range(0, rate * seconds)] # i/20は低音に抑えるため
    sin = np.int16(np.sin(sin_wave) * 32767)
    wavfile.write('sin.wav', rate, sin)
    noise = np.int16(np.random.uniform(-0.1, 0.1, rate) * 32767) # ノイズデータ 1秒
    wavfile.write('noise.wav', rate, noise)

create_samplings()
fs, sin = wavfile.read('sin.wav')
_, noise = wavfile.read('noise.wav')

# ノイズの前後に無音区間を追加
pad = np.int16(np.zeros(sin.size) * 32767)
pad_start = rate * 5
pad[pad_start: pad_start + noise.size] = noise
# 合成して書き出し
z = sin + pad
wavfile.write('out.wav', fs, z)

しかしライブラリを使える環境ならば、pydubなどのライブラリ利用をお勧めします。

pydub.AudioSegment.overlayを使うサンプルコード

from pydub import AudioSegment

sin = AudioSegment.from_file("sin.wav")
noise = AudioSegment.from_file("noise.wav")
output = sin.overlay(noise, position=5000)
output.export("out.wav", format='wav')

10秒の曲データsong1と、1秒のノイズデータsong2がある。
song1の5-6秒の1秒間にノイズ(song2)を重ね合わせたい。
という事ですから、

出来上がった曲は
0-5秒　song1の0-5秒と同じ　（なにも変化させていない）
5-6秒　song1の5-6秒とsong2とを重ね合わせたもの
6-10秒 song1の6-10秒と同じ　（なにも変化させていない）
になるはずです。

song1の0-5秒と、song1の5-6秒、song1の6-10秒は、
song1[0:5 * sr]、song1[5 * sr : 6 * sr]、song1[6 * sr : 10 * sr]のように、song1のスライスで得られます。

song1[0 : 5 * sr]と、song1[5 * sr : 6 * sr]とsong2とを重ね合わせたものと、song1[6 * sr : 10 * sr]の３つを連結すれば、質問者が望んでいる曲データになるのではないでしょうか？