首页 › deep-tech › 图解VoNR语音通话原理

图解VoNR：5G手机打电话背后的信令与媒体分离艺术

一、引子：5G那么快，打个电话为什么这么复杂？

你可能在工程模式里见过「IMS Registration: Registered」这个状态，也可能在测试VoNR时遇到过「拨号后转圈三四秒才振铃」的问题。要理解这些现象，得先回答一个根本问题：

5G网络本质上是一张IP数据网，它天生「不知道」怎么打电话。

2G时代的电话走的是电路交换——通话前先给你俩划一条独占的物理线路，像铁路专线。而4G/5G是全IP网络，所有东西都变成数据包。语音不再是「专线」，而是「快递」：把声音切成一个个小包，扔进网络，对端再拼回来。

这带来一个看似简单实则棘手的问题：普通快递可以慢、可以丢、可以乱序，但通话不行。你听到的每个字，必须在对方说完后约100~200毫秒内、按正确顺序、连续地播出来，否则对话就「撞车」——两人同时开口、同时沉默。

5G打电话（VoNR）的全部技术设计，都是在回答一个问题：如何让一张「尽力而为」的IP网络，稳定地运送「分秒必争」的语音流？

二、第一个关键设计：信令面与媒体面彻底分离

VoNR最核心的架构思想，是把「打电话」拆成两件完全不同的事：

信令（Signaling）：打电话之前的所有「谈判」——我是谁、对方在哪、用什么编码、预留多少带宽。好比在餐厅App上订座、点菜、约定时间。
媒体（Media）：真正流动的声音数据包。好比按时赴约、坐下来吃饭。

这两件事的流量特征天差地别：信令是偶发的小流量，一年也发不了几条；媒体是持续的小包洪流，每20毫秒准时来一包，一刻不能停。把它们分开设计、分开承载、分开扩容，网络才管得好。

flowchart LR
    UE["主叫手机"]
    subgraph NET["IMS核心网与5G承载"]
        PC["P-CSCF"]
        SC["S-CSCF"]
        UPF["UPF用户面"]
    end
    UEB["被叫手机"]
    UE -->|SIP信令走信令面| PC
    PC -->|转发注册与呼叫| SC
    SC -->|寻址被叫| UEB
    UE -.->|RTP语音包走媒体面| UPF
    UPF -.->|RTP语音包| UEB

上图实线是信令面，虚线是媒体面。注意一个关键事实：RTP语音包从手机出来后直接走用户面（基站→UPF→对端），完全不经过IMS信令节点。IMS只在通话前「谈事」，通话中它不碰声音本身。这就是为什么通话建立后，即使IMS信令轻微抖动，你也不会觉得声音变差；而一旦UPF或空口拥塞，声音立刻卡顿。

语音包到底多大？

用一组简单计算就能看清语音流量「小而急」的本性。语音按20毫秒一包打包，以常用的宽带语音编码模式12.65 kbps为例：

$$\text{每包载荷} = 12.65\ \text{kbps} \times 20\ \text{ms} \approx 253\ \text{bit} \approx 32\ \text{字节}$$

一秒钟只需要50个包、总共约几十kbps——比一张微信图片还小。但每一包都必须在20毫秒的节拍上准时到达。带宽要求极低，时延要求极高，这个反差就是语音业务的灵魂，也是后面所有机制（专用QoS流、抖动缓冲、丢包隐藏）的出发点。

三、IMS：把互联网的「会话管家」搬进运营商网络

信令面用什么语言交谈？答案是SIP（会话发起协议）——一个从互联网VoIP世界借来的文本协议，风格上和HTTP很像：请求-响应、带头部、带正文。运营商没有另造一套协议，而是把SIP整个搬进来，再配上电信级的管理框架，这个框架就叫IMS（IP多媒体子系统）。

IMS的设计哲学很聪明：它不管你从哪个接入网来（4G、5G、Wi-Fi都可以），只管「会话」本身。这实现了接入与业务解耦——同一套IMS，4G时代支撑VoLTE，5G时代支撑VoNR，协议逻辑几乎不变，变的只是下面的「路」。

IMS里的几个核心角色，可以类比一家高级餐厅：

IMS角色	类比	职责
P-CSCF	门卫兼安检	手机接入IMS遇到的第一个节点，所有SIP信令必经它；负责加密保护、压缩、异常检查
I-CSCF	前台总机	外来请求的入口，负责查「这个客人归哪位管家服务」
S-CSCF	专属管家	会话控制的核心，管理注册、路由、触发增值业务（呼叫转移等）
HSS	档案室	存放用户签约数据、鉴权密钥，回答「这人是谁、有什么权限」

这套分工的「为什么」值得咀嚼：P-CSCF放在网络边缘，因为它是安全边界——手机和网络互不信任，所有信令先过安检；S-CSCF放在归属地，因为它执行你的签约业务逻辑（比如你开通了遇忙转移），业务跟着「户口」走；I-CSCF只是临时入口，注册完成后就不再参与，避免成为性能瓶颈。

四、开机第一步：IMS注册——一次「挑战-应答」式的双向验身

手机开机附着到5G网络、拿到IP地址后，并不等于能打电话。它还要在应用层再完成一次IMS注册，向网络证明「这个IMS账号真的是我」。这一步和5G接入认证是相互独立的两套机制：接入认证管「你能不能上网」，IMS注册管「你能不能打电话」。

注册用的正是SIP的REGISTER方法，配合挑战-应答式鉴权，流程如下：

sequenceDiagram
    participant UE as 手机
    participant P as P-CSCF门卫
    participant I as I-CSCF前台
    participant S as S-CSCF管家
    participant H as HSS档案室
    UE->>P: REGISTER我想注册
    P->>I: 转发REGISTER
    I->>H: 这个用户归哪个管家管
    H-->>I: 分配给S-CSCF
    I->>S: 转发REGISTER
    S->>H: 取用户鉴权数据
    H-->>S: 返回鉴权向量
    S-->>P: 401请出示验证材料
    P-->>UE: 401请出示验证材料
    Note over UE,P: 手机用卡内密钥计算鉴权响应
    UE->>P: REGISTER附鉴权响应
    P->>S: 转发REGISTER
    S->>S: 比对响应是否正确
    S-->>P: 200 OK注册成功
    P-->>UE: 200 OK注册成功

两个设计细节值得注意：

明文密码从不上网。网络只下发一个随机挑战值，手机用卡内的密钥算出响应，网络侧用同样的算法比对。密钥永远留在SIM/USIM卡里，抓包者看到的只是计算结果。
注册是有「租期」的。REGISTER会携带过期时间，手机要周期性续注册。这也是为什么有些故障表现为「待机一段时间后打不出电话」——续注册失败，IMS状态悄然掉线，而普通数据业务毫无感知。

五、拨号之后：INVITE、SDP协商与「先铺路、再开席」

注册成功后，按下拨号键，主叫发出SIP的INVITE请求。INVITE的正文里带一份SDP（会话描述协议）——它不携带声音，只描述「我打算怎么通话」：支持哪些编解码器（AMR-WB？EVS？）、采样模式、接收媒体流的IP和端口。

这就像点菜：主叫先报「我会做的菜式和口味」（SDP Offer），被叫回一份「就按这个来」（SDP Answer），双方才确定最终菜单——比如两端都支持EVS就优先用EVS，否则退到AMR-WB。这种「提议-应答」模型保证了能力互操作：不同年代、不同厂家的终端总能找到双方都会的编解码器。

完整呼叫过程中有一个容易忽略的精妙设计——资源预留发生在「摘机」之前：

sequenceDiagram
    participant A as 主叫手机
    participant N as IMS网络
    participant B as 被叫手机
    A->>N: INVITE携带SDP提供
    N->>B: INVITE携带SDP提供
    B-->>N: 183携带SDP应答
    N-->>A: 183携带SDP应答
    Note over A,N: 主叫侧开始建立语音专用通道
    Note over N,B: 被叫侧同步预留资源
    A->>N: PRACK临时应答确认
    N->>B: PRACK临时应答确认
    B-->>N: 180振铃
    N-->>A: 180振铃
    B->>N: 200 OK摘机接受
    N->>A: 200 OK摘机接受
    Note over A,N: 媒体面RTP语音包开始流动
    A->>N: BYE挂机
    N->>B: BYE挂机
    B-->>N: 200 OK确认挂机

为什么要在振铃阶段就铺路？如果等被叫按下接听键才开始建立专用通道，接通瞬间第一句话就会「喂……喂？」地丢字。所以协议把顺序安排为：183响应确定媒体参数 → 两侧各自预留资源 → 180振铃 → 200 OK摘机时，路已经铺好，声音即刻畅通。你在听筒里听到的「回铃音」，正是这段谈判与铺路时间被用户体验感知的形态——拨号到振铃的间隔，就是呼叫建立时延，也是VoNR相对VoLTE的优势所在（5G空口时延更低，建立更快）。

六、声音走哪条路：专用通道、RTP节拍与抖动缓冲

6.1 语音为什么要有「专道」

媒体协商确定后，网络为这条通话建立专用QoS流：4G里对应会话语音等级的GBR承载（QCI=1），5G里对应5QI=1的GBR QoS流。它的本质是一条带宽被预留、转发被优先的通道——哪怕小区挤爆了，这几十kbps的语音流量也有「应急车道」可走，普通数据业务在旁边排队。

这里不做QoS机制展开（那值得单独一篇），只强调与语音直接相关的因果链：语音是等时节拍流 → 时延抖动直接毁体验 → 所以必须预留+优先，而不是靠带宽堆砌。这也解释了为什么语音QoS流很「小」——它保障的不是速率上限，而是每包的准时性。

6.2 RTP：给每件快递贴上序号和时间戳

媒体面用的协议是RTP（实时传输协议）。它非常薄，只做三件事：给每个包编序号、打时间戳、标明载荷类型（哪种种编解码）。接收端靠序号发现丢包、恢复顺序，靠时间戳还原20毫秒的播放节拍。配套的RTCP周期性互报「我收到了什么」——丢包率、抖动统计，通话质量监测数据就来自这里。

出于安全要求，IMS语音媒体通常以SRTP（加密的RTP）传输，所以用抓包工具直接看媒体流，往往只能看到加密载荷，排障要更多依赖RTCP统计和信令侧信息。

6.3 抖动缓冲：用一点时延，换回连续的声音

网络中的包到得忽快忽慢（抖动），而播放必须均匀。解法是在接收端放一个「蓄水池」——抖动缓冲：包先存起来，按节拍匀速放出。

这是一个典型的两难权衡：

$$T_{\text{单向总时延}} = T_{\text{编码打包}} + T_{\text{空口}} + T_{\text{承载传输}} + T_{\text{核心网处理}} + T_{\text{抖动缓冲}}$$

$$P_{\text{听感丢包}} \approx P_{\text{网络丢包}} + P_{\text{迟到丢弃}}$$

缓冲调大：迟到包少了，但总时延上升，双方对话容易「抢话头」；
缓冲调小：时延低，但包稍有迟到就被当丢包丢弃，声音出现断裂。

工程上通常采用自适应抖动缓冲：根据网络抖动统计动态伸缩，而不是固定值。国际电联的相关建议普遍把单向端到端时延约150毫秒作为良好通话质量的参考线——注意这是从嘴到耳的全链路预算，编解码、空口、传输、缓冲每一项都在分食这个额度。

6.4 丢了怎么办：不重传，靠「猜」

数据业务丢包靠重传，语音却等不起——重传一次至少一个往返，包到了也已经错过播放时刻，迟到即失效。语音的对策是另辟蹊径：

丢包隐藏（PLC）：接收端根据前后帧信号「脑补」出丢失片段的近似波形，短促丢包（几十毫秒）听感几乎无感；
冗余打包：把前一帧语音塞进当前包一起发，丢一个包还能从下一个包里找回旧数据，代价是码率增加；
编解码自适应：AMR/EVS一族编解码器支持多种码率，网络拥塞时降码率保连续，空闲时升码率提音质。这也是「高清语音」（AMR-WB，采样率达16kHz）和更新的EVS（码率可从约5.9 kbps一路自适应到128 kbps）相对老编解码器的核心进步。

因素	含义	主要来源	网络对策	工程经验参考
时延	单向嘴到耳的时间	编解码打包、空口调度、抖动缓冲	低时延调度、节点下沉、自适应缓冲	约150ms内体验良好（ITU-T建议常用参考值）
抖动	包到达间隔的波动	路由差异、调度突发、拥塞	优先转发、抖动缓冲吸收	缓冲每增大一分，时延代价一分
丢包	包丢失或迟到被弃	拥塞、无线误块、切换中断	PLC、冗余、自适应编码	1%量级尚可，5%以上明显卡顿（经验值）

七、为什么很多5G手机打电话会「掉回4G」？

在5G建设初期，你可能观察到：手机显示5G信号，一打电话信号却变成4G。这不是故障，而是一个刻意的过渡设计——EPS Fallback（回落）。

原因回到第一性原理：VoNR需要5G SA（独立组网）网络加上NR侧完整的语音条件（终端支持、IMS互通、无线能力齐备），缺一不可。在条件不齐的地方，网络干脆把通话「让」给成熟的4G VoLTE去做：发起呼叫时把手机连接迁移（切换或重定向）到LTE，在4G上完成VoLTE通话。5G只承载数据，语音暂时借道4G——避免呼损，代价是回落动作本身增加了一两秒的呼叫建立时延。

flowchart TD
    A["用户按下拨号键"] --> B{"IMS注册正常且网络支持VoNR"}
    B -->|支持| C["在5G上完成INVITE协商"]
    C --> D["建立专用语音QoS流"]
    D --> E["通话全程驻留5G"]
    B -->|不支持| F["触发EPS Fallback回落"]
    F --> G["手机连接迁移到4G"]
    G --> H["按VoLTE流程建立通话"]

三种语音方案放在一起对比，脉络就清晰了：

维度	VoLTE	EPS Fallback	VoNR
通话所在接入网	4G LTE	发起时迁回4G	5G NR
核心网	4G核心（EPC）	通话走4G路径	5G核心网
IMS	需要	需要（4G侧）	需要（5G侧）
LTE锚点	本身就在4G	依赖4G	无LTE锚点，全程留在5G
前提条件	4G覆盖	5G SA + 4G覆盖	5G SA全覆盖、终端与网络均支持
呼叫建立	较快	较慢（含回落动作）	更快（空口时延更低）
典型阶段	4G成熟期	5G建设初期过渡方案	5G SA成熟期目标形态

三者的信令「语言」完全一致——都是IMS上的SIP；变的只是下面的路。这正是IMS「接入与业务解耦」设计哲学的红利：运营商升级语音方案时，核心的会话控制资产得以保留。

八、实战连接：调试VoNR时看什么

第一步永远是确认IMS注册状态。手机侧可查工程模式（Android的Radio Info菜单里「IMS Registration: Registered」即注册成功）；网络侧抓取Gm口信令看REGISTER是否走到200 OK。大量「打不出电话」工单的根因在这一步：USIM未开通IMS、续注册失败、P-CSCF地址获取异常。

第二步看SIP响应码定位阶段。呼叫失败的响应码会直接告诉你死在哪一环：

响应码	含义	排障提示
401	未授权挑战	注册正常流程的第一步，不是故障
403	禁止	鉴权失败或未签约，查卡状态与开户数据
183	会话进展（含SDP）	媒体协商开始、资源预留起点
180	振铃	被叫已提醒，接通前最后一步
200	OK	成功（注册/摘机/挂机通用）
486	忙或拒接	用户行为，非网络故障
488	媒体不可接受	SDP编解码或参数不匹配，查两侧codec配置
5xx	服务器错误	网络侧问题，查IMS节点日志

第三步看RTCP统计评估听感。丢包率、抖动、往返时延三个指标对照上节表格定位问题方向：抖动大查传输路径与缓冲配置；丢包多查无线质量与切换带；时延超标则逐项分解时延预算。

几个常见的调试陷阱：

把401当错误：挑战-应答是正常流程，真正的故障是401之后没有再次REGISTER。
把「IMS注册成功」当成「能打VoNR」：注册只是前提，实际能否驻留5G通话还取决于网络策略、无线覆盖与两端能力协商，缺一项就回落。
抖动缓冲调得过大：丢包率确实降了，MOS（听感评分）反而下降——时延把分数吃回去了。优化要看综合指标，不是单指标极值。
回落测试只验「通没通」：应同时记录拨号到振铃的时长，回落引入的1~2秒正是用户投诉「接得慢」的来源。
在媒体口直接找语音载荷：SRTP加密后抓包看不到内容，媒体排障应依赖RTCP统计与信令关联。

常见问题

Q: VoNR和VoLTE的区别到底是什么？ A: 差别在「路」，不在「话」。两者都用IMS做会话控制、都用SIP+RTP，协议逻辑基本相同；区别是VoLTE跑在4G空口+4G核心上，VoNR跑在5G空口+5G核心上，且VoNR没有LTE锚点、通话全程留在5G，因此呼叫建立更快、端到端时延更低。VoNR要求5G SA组网，NSA组网无法承载。

Q: 手机显示IMS已注册，为什么打电话还是回落4G？ A: 注册只证明「信令通道就绪」，发起通话时网络还要评估NR覆盖质量、终端VoNR能力、IMS与无线侧的功能开通状态等。任何一项不满足就触发EPS Fallback。所以排查时要把「注册域」和「通话决策域」分开看。

Q: 语音丢包为什么不用重传解决？ A: 实时语音的生命周期只有20毫秒一拍，重传至少耗费一个往返时延，包补回来时播放时刻早已过去。所以语音网络用丢包隐藏（PLC）、冗余打包、自适应编码来「掩饰」丢包，而不是消除丢包——这是实时业务与数据业务在可靠性哲学上的根本分野。

Q: VoNR通话时，5G上网会中断吗？ A: 不会。VoNR的语音走独立的专用QoS流，与数据业务并发传输。这正是全IP架构相对于2G/3G电路交换「打电话不能上网」的代际进步；专用流只保障语音的几十kbps，上网速率基本不受影响。

Q: SIP和HTTP这么像，为什么不干脆用HTTP？ A: 两者都是文本请求-响应协议，但SIP面向的是「会话」——建立、修改、终结一段持续的关系（通话），而不是一次性的内容获取。SIP的INVITE可以携带SDP去协商、可以用UPDATE在会话中途修改参数、可以由任一方发起BYE终结，这些「对等、长时、可变」的语义是HTTP这类「客户端拉取」模型不天然具备的。

参考来源

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。