打电话这件事，运营商做了四十年，把码率从64kbps一路压到13.2kbps，感觉已经榨干了。但2021年之后，故事突然换了剧本：Google和Meta的研究团队用神经网络把通话码率砍到3kbps量级，听感反而超过码率高四倍的传统编码。这不是论文里的玩具——Meta已在自己产品的实时通话里规模部署自研神经编码器。语音网这层“最古老的底座”，正在被AI从最底层重写。本文回答三个问题：AI编码到底比EVS强在哪、它凭什么能省三倍资源、运营商现在该不该动换血的念头。
先摆账本。语音编码每换一代，运营商的无线和传输资源就翻着倍地省。这条主线贯穿整个移动网演进史：
| 编码器 | 标准化时间 | 码率 | 音频带宽 | 备注 |
|---|---|---|---|---|
| G.711 | ITU-T，1972 | 64 kbps | 窄带（300–3400Hz） | PCM，TDM时代的地基 |
| G.729 | ITU-T，1995 | 8 kbps | 窄带 | CS-ACELP，早期VoIP主力 |
| AMR-NB | 3GPP，1999 | 4.75–12.2 kbps | 窄带 | 2G/3G语音基石 |
| AMR-WB（G.722.2） | ITU-T 2002 / 3GPP R5 | 6.6–23.85 kbps | 宽带（50–7000Hz） | HD Voice的来源 |
| Opus | IETF RFC 6716，2012 | 6–510 kbps | 全带 | 互联网实时语音标配 |
| EVS | 3GPP R12，2014 | 5.9–128 kbps | 最高全带 | VoLTE/VoNR主力，常用13.2kbps超宽带档 |
做过核心网的人都记得G.711意味着什么：一条E1只有32个时隙，跑30路64k话音，端局转码器（TC）池要按话务模型精打细算。后来引入TFO/TrFO做免转码操作，本质就是为了少过一道64k的转码，省一块板子是一块板子。3G时代AMR把码率压到12.2k，4G的VoLTE用AMR-WB 12.65k带来了所谓“高清语音”，2014年冻结的EVS（TS 26.441系列）把主流档抬到13.2kbps超宽带，高频延展到14kHz，同时靠信道感知模式对抗弱覆盖下的丢包——EVS确实是传统编码技术的巅峰。
但巅峰之后是十年的平台期。从2014到今天，3GPP语音编码再无换代。原因不复杂：传统编码遵循“分析-合成”范式，用CELP类算法对波形参数化建模，物理极限越来越近——码率再往下压，合成语音就出现金属声、水声，MOS断崖式下跌。13.2kbps成了移动话音事实上的地板。
地板之下，才是AI的入场口。
传统编码回答的问题是“怎么用更少的比特描述这段波形”。神经编码器换了一个问题：“怎么用更少的比特，让另一台机器重新生成一段听上去一样的波形。”前者是压缩，后者接近“描述+创作”：编码端把语音降维成一组隐层特征，量化成一串紧凑的码流；解码端用一个生成式声码器，从这些特征把波形“画”回来。
flowchart TD
A["麦克风输入 16kHz PCM"] --> B["卷积编码器 逐层降采样"]
B --> C["隐层特征序列"]
C --> D["残差向量量化 RVQ"]
D --> E["码流 约3至6kbps"]
E --> F["RTP打包 20ms一帧"]
F --> G["IP承载网"]
G --> H["接收端去抖动缓冲"]
H --> I["反量化 还原特征"]
I --> J["生成式解码器 声码器"]
J --> K["重建波形 扬声器输出"]
两个关键部件决定了成败：
残差向量量化（RVQ）。直接用一个巨型码本描述语音，码本会大到不可用。RVQ的思路是多级级联：第一级码本粗略逼近，把残差交给第二级继续逼近，层层叠加，每层只贡献一小档码率。Google的SoundStream论文（arXiv:2107.03312，2021年）就是这个架构的代表作：全卷积编解码器加RVQ，训练时引入判别器让生成听感自然，支持语音和音乐，24kHz采样。
生成式解码器。从量化特征重建波形，靠的是在大规模语音上训练出来的声码器（Lyra初版用WaveGRU类结构，后续普遍转向GAN系）。正因为解码端“见过”海量真人语音，它能用3kbps的特征补出符合统计规律的细节——传统CELP补不出来的高频、气息、齿音，它是“脑补”出来的，而且脑补得像。
效果有多直观？SoundStream论文的听测结论是：3kbps的SoundStream，主观质量优于12kbps的Opus——四倍的码率差距。注意这是论文作者自己的听测口径，不是第三方测评，但量级差距大到很难全靠测试误差解释。对排障工程师而言还有个好消息：神经编码天然擅长丢包隐藏（PLC），Lyra的官方博客就明确把丢包补偿列为设计目标——在弱覆盖场景，这比省码率更救命。
2021年起的三篇标志性工作，基本框定了技术路线，此后各家的神经编码器都是这三个思路的组合变体：
| 方案 | 机构/时间 | 码率 | 质量口径（来源自述） | 复杂度与状态 |
|---|---|---|---|---|
| Lyra | Google，2021 | 3 kbps | 官方听测优于码率更高的Opus与EVS | 单核CPU实时运行；官方博客发布 |
| SoundStream | Google，2021 | 3–18 kbps多档 | 论文听测：3kbps优于Opus 12kbps | 论文称单核实时；RVQ架构奠基之作 |
| EnCodec | Meta，2022 | 1.5–24 kbps多档 | 24kHz单声道/48kHz立体声，多档位高保真压缩（论文听测） | 成为Meta音频生成体系的底座 |
三点值得展开：
第一，3kbps已不是实验室独奏。 Lyra发布时的定位就是“面向实时通话的实用编解码器”，给出单核实时的工程指标。SoundStream的RVQ架构后来被广泛复用，包括EnCodec——说明这条路线已经收敛成行业共识，而不是某家的孤本。
第二，Meta走完了“部署”这最险的一步。 2023年Meta通过工程博客发布了自研低码率语音编码器MLow，并明确其面向实时通信场景、已在Messenger通话中现网部署，博客口径是同码率下听感优于Opus且CPU开销更低。对运营商的启示很刺眼：OTT又一次跑在了电信标准前面——App自己说了算，终端就是App，不需要全网协商，不需要漫游对齐，先在自己十亿级用户闭环里把AI编码跑熟了。
第三，论文数据要会读。 上表所有MOS结论均出自Google/Meta自己组织的听测，测试集以英语等语种为主，中文、方言、噪声环境的表现在原文中覆盖有限。工程上看待这些数字，应记住“论文口径”四个字——这和设备商标称吞吐量一个道理，实测才作数。
再看电信侧。要在3GPP体系里换语音编码，过的不是技术关，是产业链关。EVS当年从2010年立项到2014年冻结，再到今天终端渗透率爬坡，前后十几年——这已经是标准语音编码商用的正常速度。AI编码要复制这条路，绕不开四道坎，以下主要是作者基于工程经验的判断：
时延账。 神经编码器的算法时延普遍在几十毫秒量级（帧长加前视加解码缓冲），叠加现网20ms打包周期和抖动缓冲，端到端时延预算吃紧。VoNR要和VoLTE拼体验、和OTT拼时延，时延账算不平就不敢上。
复杂度账。 传统EVS在终端上已经算“重”的，GAN类声码器每路通话持续跑推理，功耗、发热、低端机兼容性都是问题。有意思的对照是：Meta的MLow博客宣称CPU开销低于Opus——OTT的解法是极致的模型裁剪，这条经验对终端厂商有直接参考价值。
互操作账。 这是电信网和App的本质区别。编码协商在IMS里是SDP offer/answer一条链路的事，但任何新编码都必须保证“最坏情况回落”：对端不支持就降到AMR-WB甚至AMR-NB，跨漫游伙伴、跨互通局、跨卫星段，全链路任何一跳不支持就得转码。合法监听、紧急呼叫、互联互通测试，一个都不能少。这套一致性工程，才是标准语音编码商用的真正成本所在。
评估账。 POLQA这类MOS算法是在传统编码失真上训练的，面对生成式语音的失真模式（“脑补”错细节比丢细节更伤听感），评分体系本身可能失真。评估方法不改，标准就没法写验收条件。
至于标准化节奏：据多家行业媒体报道，围绕AI语音编码进入3GPP研究的讨论自2024年起明显升温，Rel-19阶段SA4已有相关研究动向；截至发稿，本栏目未能在3GPP官方门户逐条核实立项名称与时间点，具体以官方清单为准。作者的个人判断是：标准冻结大概率落在Rel-20/21窗口（2027年之后），终端规模渗透要再给五年——参照EVS的节奏，2030年代初能在主流VoNR网上见到AI编码已是乐观估计。中间态则注定由OTT先行：Messenger们把水蹚熟，电信标准再收编成熟技术，这和当年WebRTC倒逼IMS的剧本一致。
假设AI编码2029年前后进网，钱从哪里省出来？按价值密度排三个场景：
| 场景 | 现状痛点 | AI编码价值 | 落地难点 |
|---|---|---|---|
| VoNR容量 | 13.2kbps占据无线资源 | 同资源语音并发理论上可提升约3倍 | 终端渗透慢，需全链路升级 |
| 卫星直连手机 | 星上功率与频谱按Hz算钱 | 窄带链路上保住可用话音 | 端侧算力、星上处理能力受限 |
| 跨境漫游互通 | 编码协商层层降级到AMR-WB | 低码率也保宽带听感 | 漫游伙伴间一致性 |
场景一：VoNR容量，最大的一块饼。 做个粗估（仅按载荷码率折算，实际受控制信道和调度开销约束，系数要打折）：VoNR主流13.2kbps换3kbps级神经编码，同样无线资源下语音并发容量理论上可到三倍上下。对VoNR铺开的中国和印度市场，这等于不动频谱、不动站址，白捡语音容量——印度Jio已是全球最大的VoNR商用网（据爱立信移动市场报告多次披露），这种网络对语音容量账最敏感，也最可能成为电信AI编码的第一个规模买家。
场景二：卫星直连手机，最刚性的一块。 直接用手机连卫星的系统，链路预算是按“能通就行”设计的，L/S频段窄带宽下语音是奢侈品。目前直连卫星商用多以短信和数据为先行（如Starlink直连手机的路线），卫星语音打通的公开案例如AST SpaceMobile 2023年起与AT&T合作的试验（据公开报道）。3kbps级的语音对这种系统不是锦上添花，是能不能开语音业务的问题。可以预见，AI编码在卫星段会早于地面网商用——因为地面网有EVS这个“够用”的备胎，卫星没有。
场景三：灾备与弱连接。 地震洪水后残余链路、海上、荒漠，3kbps能过的话音信道，12.65kbps过不去。应急通信体系对编码码率的敏感度，远高于日常城市网。叠加神经编码的丢包隐藏能力，弱链路下的可懂度提升是双重的。
最后给同行几条实在话。如果两年后你的领导问“AI语音编码我们上不上”，先过下面这个清单：
语音网是运营商最老的资产，也是被AI改造最晚的一层——晚到EVS之后十年无换代。但Lyra、SoundStream、EnCodec三篇工作和Meta的现网部署已经把话挑明：3kbps做到13.2kbps的听感，不是预测，是已发表、已部署的现实。接下来十年，语音网的故事会从“资源工程”变成“生成工程”：竞争的焦点不再是把波形压得多小，而是模型把语音补得多真。对运营商，这不是又一个可以观望的营销概念——容量三倍的账、卫星语音的刚需、OTT先跑的现实，三件事叠加起来，AI编码是少数值得现在就写进五年规划的技术。至于节奏，参照EVS：标准慢，但从不缺席；谁先把终端和互通的功课做完，谁先吃容量红利。
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。