讲解什么是SIP、VoIP、GMS、电话机（软硬）等

作者: claude fable5

结构图

• VoIP（Voice over IP） 是大类概念：把语音采集后用编解码器（如 G.711、Opus）压缩成数字数据，切成小包，通过互联网/IP 网络传输，到对端再还原成声音。它取代的是传统”电路交换”——传统电话要为一次通话独占一条线路，VoIP 则和网页、视频共用同一条网络。

• SIP（Session Initiation Protocol，会话发起协议） 是 VoIP 中最主流的”信令”协议。注意它本身不传声音，只负责”打电话这件事的管理”：找到对方在哪（注册与寻址）、发起呼叫、振铃、接听、协商用什么编解码器、挂断。真正的语音由 RTP 协议承载——这就是 VoIP 的核心设计：信令与媒体分离。信令走 SIP 服务器，语音流往往在两个终端之间直接传输。

• 软电话（Softphone） 是纯软件形态的话机，运行在电脑或手机上，比如 Zoiper、MicroSIP、微信/Teams 的通话功能本质上也类似。用设备自带的麦克风和扬声器，灵活、便宜、随装随用。硬话机（Hardphone / IP 话机） 则是长得像传统座机的专用硬件（如 Yealink、Cisco IP Phone），内置 SIP 协议栈，插网线（通常支持 PoE 供电）就能注册到 SIP 服务器，稳定性和通话体验更好，常见于办公室和呼叫中心。还有一种中间形态：普通模拟老话机接一个 ATA 适配器，由适配器把模拟信号转成 SIP/RTP。

• GSM 是第二代（2G）蜂窝移动通信标准：手机通过无线电连接基站（BTS），基站汇聚到基站控制器（BSC），再进入移动交换中心（MSC）完成呼叫接续，用 SIM 卡做身份认证。它本质上还是电路交换的”传统电话”思路，只是接入方式是无线的。后来的 3G/4G 演进中，4G VoLTE 实际上已经”VoIP 化”了——核心网 IMS 内部用的正是 SIP 协议。VoIP 系统要打通手机或固话，就靠架构图中的媒体网关/SIP 中继，由运营商完成 IP 世界与 PSTN/移动网之间的协议和媒体转换。

下面这张原理图展示一次 SIP 呼叫从拨号到挂断的完整信令过程：

这个时序里有几个关键点值得注意。 INVITE 消息体内携带 SDP（会话描述协议），里面写明”我支持哪些编解码器、我的语音收在哪个 IP 和端口”； 被叫在 200 OK 里回应自己的选择，双方就此协商好媒体参数。 ACK 确认后通话正式建立，橙色那条 RTP 语音流通常在两个终端之间直接走，SIP 服务器只在信令路径上——这就是为什么 VoIP 系统可以用一台不太强的服务器支撑大量并发通话。

通话流程

注册上线（REGISTER）

话机或软电话启动后，向 SIP 服务器发送 REGISTER 消息，相当于报到：”分机 1001 现在位于 IP 192.168.1.50 的 5060 端口”。服务器先回 401 要求鉴权，话机用账号密码计算摘要后重发，注册成功。此后每隔几分钟刷新一次。 没有这一步，别人呼叫 1001 时服务器不知道往哪送。

拨号与号码分析

你按下被叫号码。 话机依据拨号规则（dial plan）判断号码是否收齐——比如内线 4 位、外线以 9 开头等。号码收齐后，话机构造一条 INVITE 请求，消息体里附上 SDP：声明自己支持的编解码器（如 G.711、Opus）以及准备接收语音的 IP 和端口。

鉴权与呼叫路由

SIP 服务器收到 INVITE 后先验证主叫身份和呼叫权限，然后查路由：如果被叫是本系统的分机，就查注册表找到它当前的 IP 直接转发；如果是外部手机或固话号码，则把呼叫送往 SIP 中继 / 媒体网关，由运营商接续到 PSTN 或移动网络。

振铃与应答

被叫话机收到 INVITE 开始振铃，同时回送 180 Ringing，主叫端听到回铃音。被叫摘机后回 200 OK，消息体里带上自己的 SDP 应答——确认选用的编解码器和媒体地址。主叫发送 ACK 确认，三次握手完成，会话正式建立。若双方有 NAT 阻隔，还会借助 STUN/ICE 等机制打通媒体通路。

RTP 语音流传输

通话期间走的是下面这条媒体路径，每 20 毫秒打包发送一次，通常端到端直传、不经过 SIP 服务器。接收端用抖动缓冲吸收网络时延的波动，再解码播放：

Wifi Calling

WiFi Calling（VoWiFi，WiFi 通话） 是运营商提供的一项原生通话技术：当手机连着 WiFi 时，可以直接用系统拨号盘、用你自己的手机号打电话和收发短信，语音不走基站无线信号，而是经过 WiFi 和互联网送进运营商核心网。 它和微信、Skype 这类 App 通话有本质区别：WiFi Calling 不需要安装任何软件，对方看到的就是你的正常号码，按运营商正常话费计费，而且能接听打到你号码上的来电。它其实就是我们前面讲的那套 VoIP/SIP 技术——只不过部署在运营商的 IMS 核心网里，IMS 内部的呼叫信令用的正是 SIP 协议。换句话说，现代手机打电话（VoLTE 走 4G、VoWiFi 走 WiFi）本质上都已经是”运营商级的 VoIP”了。 它的关键技术问题是：语音要穿越不受运营商控制的公共互联网，如何保证安全和身份可信？

答案是一条加密隧道:

几个要点展开说明。安全机制：手机发现自己连上了 WiFi 且信号策略允许时，会用 IKEv2 协议与运营商的 ePDG 网关建立 IPsec 加密隧道，身份认证用的是 SIM 卡里的密钥（EAP-AKA 机制）——所以它的身份可信度和插卡打电话完全一样，公网上的任何人都看不到隧道内的语音内容。隧道建好后，里面跑的就是我们前面讲过的那套流程：SIP 的 REGISTER 注册、INVITE 呼叫建立、RTP 语音流，只是这一切都封装在加密隧道里送进 IMS。 它解决什么问题：最典型的是室内信号差——地下室、电梯旁、钢结构大楼里基站信号进不来，但 WiFi 满格，开启 WiFi Calling 后打电话完全不受影响。另一个场景是国际旅行：人在国外连上酒店 WiFi，手机相当于”逻辑上回到了国内运营商网络”，部分运营商按国内通话计费而非昂贵的漫游费（具体资费政策因运营商而异）。 无缝切换也是它的亮点：通话中从 WiFi 覆盖范围走出去，呼叫可以在 VoWiFi 和 VoLTE 之间自动切换而不掉线，因为两者背后是同一个 IMS 核心网、同一个 SIP 会话，切换的只是接入路径。使用上一般只需在手机设置里打开”WiFi 通话”开关，前提是你的运营商和手机型号都支持这项功能。