NGI降伏VoNR质差闭环自愈：从中兴EMI看5G语音感知层AIOps怎么落地

一、问题先于技术：当80%的5G语音都跑在VoNR上，"吞字断续"谁来管

到2024年初，中国5G语音用户中VoNR（Voice over New Radio，新空口承载语音）的占比已经超过80%，曾经作为过渡方案的EPS Fallback回落到4G的比例已不足20%。这意味着绝大多数用户举起5G手机打电话时，话音就是在5G空口上直接编解码、直接承载的。VoNR用EVS（Enhanced Voice Services）增强语音编码把音质拉到接近高保真，可硬币的另一面是：它对覆盖、邻区、干扰、传输抖动比4G时代更敏感，任何一个环节掉链子，用户听到的就是"吞字""断续""单通"甚至掉话。

这才是运营商真正头疼的地方——不是基站坏了（那是网元故障，好定界），而是基站没坏、KPI都绿，但用户感知就是差。传统的语音质量评估靠"测试软件+MOS盒"的插入式打分：工程师背着设备路测、在通话链路里串入MOS评测盒、采样几百次通话算出MOS（Mean Opinion Score，平均意见分）。这套打法有三个硬伤：

1. 采样面太窄：只能测路测车走过的那几条路，覆盖不到室内、楼宇、郊区这些VoNR真正容易出问题的角落；
2. 流程繁琐耗时：一次专项评估往往要数天人力，等报告出来，网络早就变了；
3. 反映不了全网真实感知：测的是"测试通话"，不是用户真实通话，两者经常脱节。

于是问题就变成了：有没有一种办法，不动用户、不串设备，直接从网络侧把全网每一个用户的每一通VoNR通话质量评出来，再自动定位质差小区、自动给出处理建议、自动闭环验证？ 这正是这一轮AIOps在"语音感知层"要解决的事，也是中兴NGI VONR EMI功能的核心命题。下面以白城移动、白城联通的真实部署为主线拆解。

二、核心案例：白城移动×中兴NGI VONR EMI，25+5个质差小区一周清零

2025年12月，白城移动联合中兴通讯对全网VoNR语音业务开展专项优化，直接选取最近一周的现网语音通话数据创建EMI分析任务。注意这个起点——它不是离线小样本，而是全网一周的真实话务数据。任务跑完后，系统筛出下行EMI质差TOP小区25个、上行EMI质差TOP小区5个，合计30个重点小区。

接下来不是"人去看数据"，而是NGI工具先做精准分析、专家团队再做深度研判，两相结合定位每一类质差根因。最终结果很硬：

• 优化效率提升约40%；
• 问题定位率与闭环率均达到100%；
• 30个质差小区全部进入闭环验证，用户语音通话质量显著改善。

这不是孤例。早在2024年4月，中兴就携手白城联通做过同一套NGI VONR EMI功能的首次规模应用，同样实现"VoNR质差问题精确闭环"。更早的一组公开实测案例显示，以"一周EMI采样点数大于500、且EMI质差占比超过10%"为筛选标准，从全网捞出了29个VoNR质差TOP小区，再由"NGI VoNR EMI工具+专家分析"逐一定位。这说明这套方法已经从一个地市、一次试点，沉淀成了可复制、可按周常态化运行的语音感知闭环机制。

三、方案拆解：EMI到底是怎么把"听感"算出来的

很多人会问：MOS盒能测是因为它真的"听"了通话，NGI EMI不串设备、不打分，凭什么能评估语音质量？答案在E-Model模型。

中兴的EMI全称是Equivalent MOS Indicator（等效MOS指示），它基于ITU-T G.107定义的E-Model话音质量评估模型。E-Model的思路是：与其事后让人听打分，不如事前把所有会损伤话音的"减分项"用物理量算出来，合成一个R因子（Rating Factor，0~100），再换算成1~5的MOS等效分。E-Model综合考虑的核心损伤因素包括：

NGI的关键能力，是把这些原本散落在无线侧（MR测量报告）、话单、性能统计、告警里的海量数据从网络侧直接采集，逐通话、逐小区地喂给E-Model，算出每通VoNR呼叫的等效MOS。它支持小区级、话单级、切片级三个粒度的语音感知分析，并能做多维地理化呈现——也就是把质差栅格画到地图上，告诉你哪条路、哪栋楼的通话在"吞字"。

最关键的一步是与传统MOS盒评分的高精度拟合校准。EMI不是凭空臆造一个分数，而是用大量真实MOS盒打分样本做标定，让网络侧算出来的等效MOS与插入式实测MOS高度一致。这就解决了"权威性"问题——你拿得出手的评估结果，和背设备测出来的一样可信，但成本和覆盖面是两个量级。

四、根因定界：质差不是病，定位不到根因才是病

把质差小区筛出来只是第一步，真正的价值在"为什么差"。上面那组29个TOP小区的实测，给出了非常清晰的根因分布画像：

• 基站侧设备问题：7个——天馈接反、RRU/AAU硬件隐性故障、通道功率异常等；
• 重叠覆盖干扰：6个——多个小区信号强度接近、互相抢夺，导致SINR恶化；
• 上行高干扰：4个——外部干扰源或系统内上行干扰抬高底噪；
• 越区覆盖：2个——过覆盖小区"越权"服务远处用户，切换混乱；
• 其余为邻区漏配、参数配置等软性问题。

这个分布非常有代表性。它说明VoNR质差的根因高度集中在设备、覆盖、干扰三大类，而这些恰恰是单靠KPI看不出来、必须靠感知数据反推的。NGI的做法是把质差小区的EMI栅格与覆盖分析、干扰分析（中兴还有专门的NQI干扰自优化方案，能做干扰类型识别、按干扰源分组、再用工参/干扰强度/传播模型三种方式定位干扰源）、邻区漏配分析等模块联动，形成"质差→多维定界→单一根因"的证据链，而不是丢给运维一个含糊的"覆盖差"。

五、从工具到智能体：端到端AI定界与工单闭环

如果说NGI EMI解决的是"评得准、定得准"，那么要让整个流程真正"自愈"，还需要把定界结果接到工单和动作上去。通信世界网披露的一套VoNR语音业务感知端到端智能识别定界方案，给出了更进一步的AI化路径：

1. 五阶段端到端定界：把一次VoNR通话拆成主叫起呼、承载建立、振铃应答、通话保持、拆线释放等阶段，每阶段挂接感知指标，实现"客户感知问题→发生在哪个阶段→落在哪个域"的快速定界；
2. AI闭环管控：针对定界到的语音质量问题，基于机器视觉、语义理解等AI算法构建质差问题闭环管理场景，对质差工单流转做全流程智能化改造；
3. 智能生成处理建议：根据不同质差问题类型，自动给出可执行的处理建议（调参数、改邻区、消干扰、修设备），而不是只报问题。

这其实就是一条从"被动发现问题"到"自动给方案、自动验效果"的闭环。把NGI EMI（感知评估+根因定界）和这套端到端定界工单引擎接在一起，就是一个完整的VoNR语音感知自愈链路：全网评估→质差筛选→根因定界→建议生成→执行整改→MOS复测拟合→归档闭环。

flowchart TD
    A["网络侧海量数据采集<br/>MR/话单/性能/告警"] --> B["EMI评估引擎<br/>E-Model：时延·抖动·丢包·编码"]
    B --> C{"质差小区筛选<br/>采样>500 且 质差占比>10%"}
    C -->|"TOP小区"| D["AI多维根因定界<br/>设备/覆盖/干扰/邻区/参数"]
    D --> E["专家研判 + 智能处理建议生成"]
    E --> F["执行整改<br/>参数调整·天馈调整·干扰消除·邻区补配"]
    F --> G["效果复测 + MOS拟合验证"]
    G -->|"达标"| H["闭环归档·进入下一周期"]
    G -->|"未达标"| D
    style C fill:#fff3cd
    style F fill:#d1ecf1
    style H fill:#d4edda

六、横向对比：传统模式、NGI EMI、华为无线智能体，三条路怎么选

要客观评价这套方案，必须放回坐标系里看。先看它和传统MOS盒模式的对比：

再看和华为系的差异化。这两家都把无线智能化当战略级在做，但切入口不同：

• 华为+中国移动的"无线高阶自智网络"走的是平台级L4路线——2025年在上海、安徽、福建等八省市建成示范区，全球首个规模部署的无线网络智能体覆盖约20万站点、100万小区，靠"一站一策"做智能节能、KPI实时评估与工单自动闭环，还拿了TM Forum 2025"自智网络"卓越奖（Dark NOC方案）。它强调的是意图驱动、多智能体协同，覆盖面大、偏平台型；
• 上海移动联合华为发布的DeepSeek无线网络优化智能体（网优Agent）则把大模型引入网优，强调"认知智能"，用自然语言交互做网络优化；
• 中兴NGI走的是"一平台多模块"的实战优化路线：虚拟路测（白城移动曾用它精准定位城区4处重点问题路段）、建筑物覆盖分析（延边移动）、邻区漏配分析（信道质量提升0.55dB量级）、HDOA天线方位角优化、以及这里的VoNR EMI语音质量评估。它更像一把"网规网优瑞士军刀"，每个模块对应一个高频痛点，落地快、见效直接。

说谁更好没意义，它们是互补的：华为的智能体搭台做平台级自智，中兴NGI这类模块化工具唱戏把具体感知场景一个一个啃下来。真实网络里，两者经常共存。

七、效果数据汇总与几点冷思考

把公开案例里的关键数字拢到一起，能看出这套语音感知自愈的真实价值量级：

几点值得清醒的地方：第一，这套"自愈"目前仍以"工具定界+专家研判+人工执行"为主，闭环率100%里有专家深度参与，离"无人值守自动改参数"的完全自治还有距离，更接近AIOps的L3（辅助闭环）而非L4（高度自治）。第二，EMI评估强依赖网络侧数据质量与MOS标定样本，新建网或终端生态变化时需要持续校准，否则拟合精度会漂移。第三，VoNR质差根因里设备和干扰占比不低，光靠无线侧参数优化治标，最终还得回到工程整治（修天馈、清干扰源），AI帮你定位、帮你排序优先级，但不替你爬塔。

不过方向是清楚的：当语音感知从"抽样路测"升级为"全网可量、可定界、可闭环"，运营商第一次能像管KPI一样管"用户听感"。对于把VoNR当基础语音承载、又要扛5G新通话（New Calling）等增值业务口碑的运营商来说，这条语音感知自愈链路，是必须补上的一块。

参考来源

1. 白城移动携手中兴通讯开展NGI VONR EMI功能应用，打造5G精品语音网络 — 白城移动25下行+5上行质差小区、优化效率+40%、定位闭环率100%的主案例
2. 中兴通讯携手白城联通开展NGI VONR EMI功能应用，精准提升语音感知 — EMI基于E-Model模型、综合时延/抖动/编码/丢包的官方原理说明
3. 借力NGI工具实现VoNR语音质差问题"接化发"（上） — 29个质差TOP小区筛选标准与设备/覆盖/干扰根因分布实测
4. VoNR语音业务感知端到端智能问题识别定界 — 五阶段端到端定界、机器视觉/语义理解AI质差工单闭环方案
5. 华为和中国移动完成全球首个规模部署无线网络智能体，40万5G站点升级 — 华为无线高阶自智网络L4对比参照，八省市20万站点100万小区

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。