移动互联网时代，网页、视频、游戏早就全部跑在IP网络上，可打电话这个“最老”的业务，却拖到4G时代才真正搬进数据网，到了5G还要再搬一次。为什么偏偏是语音最难上网？这背后不是技术懒惰，而是语音对网络的苛刻要求和电路交换、分组交换两种世界观的根本冲突。本文从“包场”与“拼车”的类比讲起，把CS回落、VoLTE、IMS、EPS Fallback、VoNR这一整条演进脉络讲透。
先回答一个根本问题：2G/3G时代的语音为什么走电路交换（CS，Circuit Switching）？
模拟语音要变成数字信号，第一步是采样。人声的能量集中在3400Hz以内，根据奈奎斯特采样定理，采样率必须不低于信号最高频率的两倍：
$$f_s \geq 2f_{max} \Rightarrow 8\,\text{kHz采样} \times 8\,\text{bit量化} = 64\,\text{kbps}$$
这就是传统数字语音的经典速率——每路通话64kbps，一个 never 变的恒定速率流。
电路交换对付这种流的办法简单粗暴：包场。你一拨号，网络就从手机到对端之间给你“铺”一条独享管道，每一段链路都预留出64kbps的固定时隙，直到你挂机才归还。类比一下：电路交换像专车包场——车是你的，司机是你的，哪怕你中途停车看风景，车也停在那儿等你。
| 维度 | 电路交换（CS） | 分组交换（PS） |
|---|---|---|
| 资源占用 | 独占专线，空闲也占着 | 按需复用，不发不占 |
| 时延抖动 | 几乎为零 | 有抖动，需缓冲 |
| 带宽利用 | 固定64kbps，弹性差 | 统计复用，效率高 |
| 适合业务 | 实时语音 | 网页、视频、下载 |
| 出错处理 | 不管错，错了就错了 | 重传、纠错机制丰富 |
对语音来说，包场的代价是浪费（通话中大量静默期线路照样占着），但换来的好处是黄金级的：时延恒定、抖动为零、带宽雷打不动。语音恰恰是所有业务里最“娇气”的一个——业界通行的经验值是，单向时延超过约150毫秒，通话体验就开始明显劣化；丢一个包，人耳立刻听出“破音”。
分组交换是另一种世界观：所有数据切成小包，大家拼车，共享链路。网页、视频这类业务对时延不敏感，晚几百毫秒没人察觉，拼车完美契合。
那语音为什么不敢拼车？三个致命顾虑：
所以数据业务可以“先上网再说”，语音必须等一套完整保障体系就位：能预留资源的QoS机制、能无缝搬家的移动性管理、能管理会话的业务控制层——三样凑齐，语音才敢搬家。这就是语音“最后才上网”的根本原因。
2009年前后LTE开始建网时，架构师做了一个激进决定：4G网络只有分组交换域，彻底砍掉电路域。理由很充分——维护两套平行的核心网太贵，未来必然属于全IP。
但问题来了：4G手机怎么打电话？当时业界给出了三条路线：
flowchart TD
A["4G初期无语音"] --> B["路线一：双待机<br/>SVLTE/SGLTE"]
A --> C["路线二：单射频回落<br/>CSFB"]
A --> D["路线三：终极目标<br/>VoLTE"]
B --> E["两套射频芯片<br/>贵、耗电"]
C --> F["打电话退回2G/3G<br/>秒级时延"]
D --> G["语音跑在IMS上<br/>全网IP化"]
路线一：双待机（SVLTE/SGLTE）。手机里装两套射频芯片，一套驻留4G上网，一套驻留2G/3G打电话，各干各的互不打扰。体验最好，但成本高、耗电大，只有少数芯片厂商和运营商走过这条路。
路线二：CSFB（Circuit Switched Fallback，电路域回落），单射频手机的折中方案。平时手机驻留在4G上网，需要打电话时，网络把手机“请回”2G/3G小区，走传统电路交换完成通话，挂机后再返回4G。本质上是语音不上网，让手机临时下网。流程如下：
sequenceDiagram
participant U as 手机
participant E as 4G基站
participant M as MME
participant S as 老交换机
U->>E: 拨号请求
E->>M: 这手机要打电话
M->>E: 同意，指路回落频点
E->>U: 重定向去2G/3G频点
Note over U: 离开4G重新驻留老小区
U->>S: 走传统流程发起呼叫
S->>U: 回铃并接通
CSFB的代价很直接：回落引入秒级的额外拨号时延（行业普遍实测在1~3秒量级），挂机后返回4G还可能再慢半拍；被叫场景下，来话寻呼还要经由老交换机与4G核心网之间的桥接信令，任何一环配置不对就是“别人打你电话听着已关机”。
路线三：VoLTE，真正的目标态——语音彻底变成IP包跑在4G上，2G/3G只做覆盖补丁。它依赖的正是下一节的主角：IMS。
语音要跑在IP网上，光有QoS承载还不够。想一想：IP网上谁来管“注册登记”？谁来路由“呼叫邀请”？谁来提供呼叫转移、会议、彩铃这些电话业务？互联网上的微信语音不需要这些——但在运营商网络里，紧急呼叫、鉴权计费、全网漫游结算、业务丰富度一个都不能少。
IMS（IP Multimedia Subsystem，IP多媒体子系统）就是干这个的：它是架在分组网络之上的一层业务控制大脑，核心语言是SIP（会话初始协议）——一种和HTTP长得很像的文本协议，用 REGISTER、INVITE 这类方法来管理会话。
理解IMS，最好的类比是物业公司：
手机开机后，第一件事不是打电话，而是去物业登记——IMS注册。这是一个经典的“两次握手”鉴权流程：
sequenceDiagram
participant U as 手机
participant P as P-CSCF
participant I as I-CSCF
participant S as S-CSCF
participant H as HSS
U->>P: REGISTER申请注册
P->>I: 转交查询台
I->>H: 这台手机归谁管
H->>I: 归S-CSCF负责
I->>S: 注册任务交给你
S->>H: 取鉴权数据
H->>S: 密钥与校验参数
S->>P: 401挑战，请自证身份
P->>U: 401挑战，请自证身份
U->>P: 带鉴权结果的再注册
P->>S: 转交再注册
S->>P: 200，注册成功
P->>U: 200，注册成功
注意这里的精髓：注册是“挑战—应答”式两次往返。第一次REGISTER网络不给过，而是回一个401挑战（附带随机数），手机用SIM卡里的根密钥算出应答值再发一次，S-CSCF比对通过才发200 OK。空口上从不传输真正的密钥，全程“你证明你知道密码，但不展示密码”。
注册成功后打电话时，IMS还会联动QoS机制为这通电话建一条专用承载——语音包享受专属车道，跟刷网页的流量物理隔离。此外还有两个不起眼但关键的技术配角：健壮性头压缩把IP/UDP/RTP层层信封从几十字节压到几字节（语音 payload 本来就只有几十字节，不压缩头开销能吃掉一半带宽）；无线侧的半持续调度、短传输时间间隔捆绑等机制进一步压时延、抗弱覆盖。这些细节共同解释了：VoLTE为什么比微信语音清楚、接续快——它不是尽力而为，而是全程有保障的“头等舱”。
历史在5G时代惊人地重演了一遍。5G建网初期，非独立组网（NSA）模式下控制面锚在4G，语音依然走VoLTE——5G只是给数据加速，“打电话”这件事跟5G无关。
独立组网（SA）之后，5G核心网同样“生而无电路域”，于是又出现了熟悉的选择题：
flowchart TD
A["用户在5G按拨号"] --> B["5G网络判断<br/>自己能否承载语音"]
B --> C["EPS Fallback<br/>回落4G走VoLTE"]
B --> D["VoNR<br/>语音全程留在5G"]
C --> E["重定向或切换到4G"]
D --> F["5G上建语音专用承载"]
E --> G["挂机后返回5G"]
F --> G
EPS Fallback（4G回落）是多数运营商SA初期的选择：5G网络判断自己还不具备承载语音的条件（比如周边4G/5G互操作参数未配齐、语音质量无保障），主动把手机请到4G，用成熟的VoLTE完成通话。熟悉的配方——就像当年CSFB把手机请回2G/3G一样。代价也一样：拨号时5G图标消失、掉到4G，回落引入秒级时延。
VoNR（Voice over NR）是目标态：语音彻底留在5G，在NR上建专用承载，配合5G核心网里的IMS完成呼叫。它是“语音上网”这场搬家工程的最新一站。
还有一条容易被忽略的暗线：SRVCC（单射频语音连续性）。VoLTE用户开着车驶出4G覆盖区时，网络要在掉话前把正在进行的语音会话“接力”给2G/3G——IMS侧有个锚点网元守着这通电话，无线侧则把承载切换过去。接力成功，通话无感；接力失败，就是路测报告里刺眼的“掉话”。（5G时代对应的机制是把语音从5G接力到4G/2G/3G，思路一脉相承。）
flowchart TD
A["2G/3G<br/>电路交换原生语音"] --> B["4G初期<br/>CSFB或双待机"]
B --> C["4G成熟<br/>VoLTE全面接管"]
C --> D["5G NSA<br/>仍用VoLTE"]
D --> E["5G SA初期<br/>EPS Fallback"]
E --> F["5G SA成熟<br/>VoNR全程5G"]
| 方案 | 时代背景 | 语音怎么走 | 拨号体验 | 核心痛点 |
|---|---|---|---|---|
| CS（2G/3G） | 语音原生形态 | 独占64kbps电路 | 经验值约2~3秒接续 | 无法与数据网融合 |
| 双待机（SVLTE等） | 4G无语音期 | 双射频各自为战 | 无回落、体验好 | 芯片贵、耗电大 |
| CSFB | 单射频折中 | 回落2G/3G走老电路 | 额外秒级时延 | 回落慢、返回更慢 |
| VoLTE | 4G目标态 | IMS+专用承载全IP | 接续快、高清语音 | 需全网IMS改造 |
| EPS Fallback | 5G SA初期 | 回落4G走VoLTE | 5G图标消失、秒级回落 | 用户误以为5G不好用 |
| VoNR | 5G SA成熟态 | 语音全程留在5G | 与VoLTE相当 | 需网络全面支持 |
规律清晰可见：每一代网络上线时都“生而无语音”，都用“回落老网络”当过渡，都以“本代原生语音”为终点。回落方案是脚手架，原生语音才是大楼。
标准允许多种实现选择，具体回落策略与参数行为以各运营商、各厂家官方文档为准。
Q: VoLTE和微信语音的区别是什么？ A: 微信语音是“尽力而为”的互联网应用，走普通数据通道，网络拥塞时和网页一起排队；VoLTE走IMS控制的专用承载，带宽预留、时延有界，还有与电路语音同级的紧急呼叫和接续保障。一个是拼车，一个是头等舱。
Q: 打电话时5G图标掉到4G，是手机或网络坏了吗？ A: 不是。这通常说明你所在网络采用EPS Fallback方案承载语音，拨号时主动回落4G走VoLTE，挂机后会返回5G。只有长时间回不来或回落失败，才需要报障。
Q: CSFB和EPS Fallback有什么区别？ A: 思路相同（回落老网络打电话），对象不同：CSFB是4G时代回落到2G/3G电路域，EPS Fallback是5G时代回落到4G的VoLTE。前者是“语音还没上网”，后者是“5G暂时接不住，请4G代劳”。
Q: NSA手机为什么用不了VoNR？ A: NSA模式下5G只承载数据面，控制面和语音都锚在4G核心网，语音本来就由VoLTE承担。VoNR需要独立组网的5G核心网配合IMS才能实现，这不是手机的问题，是组网架构决定的。
Q: 有了VoNR，2G/3G还有什么用？ A: 在 VoNR 和 EPS Fallback 都覆盖不到的边远区域，2G/3G仍作为最后的语音兜底网络存在，SRVCC类接力机制依赖它防止掉话。各国清退节奏不同，它正在退出，但尚未谢幕。
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。