概述：同一张网、同一部手机，为什么有的通话清晰如面谈，有的却像隔着一台老式对讲机？本文回答三个问题：给语音“打分”的科学体系——MOS 与 POLQA（ITU-T P.863）——是如何运作的；从 GSM 全速率到 EVS，编解码六十年的进化如何决定了音质下限；以及“断续、发闷、单通”这些体验劣化的六大根因该怎么排查。文中含 1 张带宽定义表、1 张编解码参数对比表、1 张根因排查表、2 张 Mermaid 图，并以作者亲历的一次单通投诉潮排查作完整复盘。

目录

• 一、为什么你的电话总有一股“机器人味”
• 二、MOS：人耳打分的老办法
• 三、POLQA上岗：机器怎么给声音打分
• 四、语音编码进化史：从窄带呻吟到超宽带
• 五、体验劣化六大根因与排查抓手
• 六、实战复盘：一场单通投诉潮的72小时
• 七、网优工程师的语音MOS体检清单
• 八、结论：体验是可以被测量的
• 参考来源

一、为什么你的电话总有一股“机器人味”

先说一个反直觉的事实：你的手机信号满格、5G速率跑满，打过去一通电话却可能只有“老电话”的音质。根子不在无线信号，而在带宽。

据维基百科引用的测量数据，人类说话的声音频率可以覆盖约100Hz到17kHz——低沉的胸腔共鸣在低频端，齿音、气声这些“临场感”的高频细节在8kHz以上。而传统电话网络从模拟时代继承下来的窄带（Narrowband）标准，只传送300到3400Hz之间的频率成分：低于300Hz的浑厚度被削掉，高于3.4kHz的齿音和方位感被砍平。剩下的那一截，就是我们熟悉了几十年的“电话味”——它保住了可懂度，却牺牲了自然度。听感上，窄带语音就是“机器人味”的技术来源。

语音工程界把带宽分成四级，这也是一切语音质量讨论的地基：

更隐蔽的是第二种情况：跨网互通降级。据维基百科EVS词条援引PCMAG的报道，即便通话双方的手机和所属运营商网络都支持EVS高清编码，跨运营商的呼叫默认仍会经由传统窄带中继转接——语音被转码降级到窄带音质，但通话本身依然走的是VoLTE/VoNR通道。也就是说，用户看到的是4G/5G图标，听到的却是2G时代的音质。这类降级信令层面完全“正常”，用户只会觉得“给某某打电话就是难听”，投诉都描述不清楚。这是语音体验测评里最容易被忽略的一块拼图。

二、MOS：人耳打分的老办法

要治理，先量化。语音质量量化的祖师爷是主观测试：ITU-T P.800建议书定义的ACR（绝对等级评分）方法——找一批听者，播放语音样本，让每人按1到5分打分（1=差，2=劣，3=中，4=良，5=优），取平均就是MOS（Mean Opinion Score，平均意见分）。

MOS的妙处在于它直接度量人的感受：同样的语音流，丢包率3%在视频下载里毫无存在感，在语音里却足以让分数掉到“听不清关涉通话是否继续”的区间。语音是实时双向业务，人耳对断续、时延、回声的容忍度远低于对速率波动——这就是为什么测了三十年网速，语音依然需要一套独立的评分体系。

但纯主观测试有三个致命短板：贵（每轮测试要招募几十名听者）、慢（准备与执行以周计）、不可重复（换一批人分数就漂移）。运营商要的是能塞进路测车、能对着成千上万条话单打分的方案。于是，客观测评算法登场了。

三、POLQA上岗：机器怎么给声音打分

ITU-T的客观语音质量测评谱系是一部典型的“标准迭代史”：1997年的P.861（PSQM）是第一代；2001年的P.862（PESQ）统治了VoIP时代近十年；2011年，第三代标准P.863正式发布，工作代号POLQA（Perceptual Objective Listening Quality Analysis/Assessment），现行版本是2018年第三版，2019年又补发了应用指南P.863.1。据维基百科POLQA词条记载，其开发源于2006年ITU-T立项、2009年启动的多方竞赛，2010年ITU-T从候选模型中选定了OPTICOM、SwissQual（罗德与施瓦茨旗下）和荷兰TNO三家机构的方案，将其融合为统一模型。

POLQA的原理可以概括成“带答案的考试”：它是全参考（Full Reference）算法，手里同时握有两路信号——发送端的原始参考语音和接收端采集到的退化语音。算法先做时间对齐和采样率补偿（两边采样率差异超过约1%时降采样对齐），然后送入心理声学模型：把信号按临界频带（类Bark尺度）分解，模拟人耳的掩蔽效应，逐帧比对两路信号的感知差异，统计出“人耳能听出来的失真量”，最后映射到1到5的MOS刻度。它比PESQ的代际进步主要在三处：支持宽带和超宽带语音（50–14,000Hz工作模式）、更能扛时延抖动大的信号、支持人工头声学录音的评估——正好覆盖LTE/5G高清语音的测评需求。

工程上POLQA最常见的用法是路测打分：路测设备向网络注入标准化参考语音，对端用探头采集收听侧信号，全程打MOS。维基词条点得很直白——全参考方法精度和重复性最高，但只能用于现网的专门化测试（例如移动网络基准路测工具）。想对网管里现成的海量话单做质量估计，就得退而求其次用无参考算法（如ITU-T P.563）或用RTP丢包、抖动统计做间接推断。这套“主观MOS定标、POLQA路测、统计指标兜底”的三层结构，就是今天各大测评机构和运营商语音测评的技术底座。

四、语音编码进化史：从窄带呻吟到超宽带

音质的上限由编解码器决定。这条进化线，每一步都对应一代人的听感记忆：

timeline
    title 语音编解码与测评标准进化史
    section 数字化时代
        1992 : GSM全速率FR商用 : 13kbps窄带电话味
        1999 : AMR自适应多速率 : 2G与3G通用的变档编码
    section 高清语音
        2003 : AMR-WB完成标准化 : HD Voice走上前台
        2011 : P.863即POLQA发布 : 客观测评跨入宽带
    section 5G时代
        2014 : EVS完成标准化 : 超宽带语音规模商用
        2018 : P.863第三版发布 : VoNR语音测评就位
        2019 : P.863.1应用指南 : 测评方法最终定型

2003年完成的AMR-WB（即ITU-T G.722.2）是分水岭，由诺基亚与VoiceAge主导研发、3GPP首先规范化，把采样带宽从窄带拉到50–7,000Hz宽带。运营商营销时给它起了个响亮的名字——HD Voice，GSMA为此注册了商标并运营认证体系。据GSA在2015年12月的统计，当时全球已有76个国家开通了117张HD Voice商用网络。

真正的代际跃迁是2014年12月随3GPP R12冻结的EVS（Enhanced Voice Services，3GPP TS 26.441/26.442），由Fraunhofer、NTT docomo、爱立信、松下等机构联合开发，专为VoLTE和VoNR设计。它的几个关键设计直接冲着“实时语音的体验痛点”去的：最高支持20kHz音频带宽（超宽带/全带）；信道感知编码（channel-aware mode）给关键比特加冗余，扛空中接口丢包；改进的丢包隐藏（PLC）让丢帧时听感劣化更平滑；内置抖动缓冲管理（JBM）自适应网络抖动；码率档位每20毫秒可切换一次。诺基亚白皮书的主观测试结论是：在所有工作点上，EVS音质都显著优于AMR和AMR-WB。GSMA的HD Voice+商标认证强制要求支持EVS，三星在终端上把EVS通话宣传为“HD+”。据维基百科EVS词条整理，中国移动、德国电信、Verizon、SK电讯、KDDI、Reliance Jio等全球数十家运营商已商用EVS，截至2024年支持EVS的手机型号约200款。

3GPP在EVS之后还完成了沉浸式语音服务IVAS（Rel-18）的标准化，EVS与IVAS的专利池已在Via-LA挂牌，语音编解码的军备赛还在继续。但对运维而言，比“新编码”更要命的是下面这些让好编码跑不出好音质的问题。

五、体验劣化六大根因与排查抓手

有了好编解码，音质就稳了吗？远没有。语音流从发话人的麦克风到受话人的听筒，要穿过编解码、打包、承载、交换、再解码整条链路，每一环都能偷走MOS分数。按作者多年接手语音质量工单的经验，体验劣化可以归为六大根因：

flowchart TD
    A["用户投诉<br/>通话听不清"] --> B["断续卡顿"]
    A --> C["机器人味发闷"]
    A --> D["单通无声"]
    A --> E["掉字与重复音"]
    B --> B1["RTP丢包超限"]
    B --> B2["抖动缓冲吃紧"]
    C --> C1["窄带编解码兜底"]
    C --> C2["跨网互通降级"]
    D --> D1["防火墙拦截RTP"]
    D --> D2["NAT映射错误"]
    D --> D3["终端麦克风故障"]
    E --> E1["切换中断偏长"]
    E --> E2["时钟频偏累积"]

逐条展开：

1. 编解码降级：终端或网络协商失败回落窄带，或跨网转码压回窄带。表现是“能听清但闷”，无断续。抓手：核查端到端编解码协商记录、互通局转码策略。
2. RTP丢包：承载网拥塞、空中接口误块、RoHC压缩失效都会抬升丢包率。丢包隐藏能掩盖零星丢帧，连续丢包就是破碎的“机械声”。抓手：RTP话单的丢包率分布，按网元、按小区下钻。
3. 抖动与时延：包到达间隔忽大忽小，接收端只能加大自适应抖动缓冲排队——声音顺了，时延上来了。业界常引用ITU-T G.114的口径：单向时延控制在150毫秒以内体验为佳。抓手：抖动统计与端到端时延测量，重点查长胖管道的QoS配置。
4. 切换中断：同频切换的中断时间通常在几十毫秒量级，异频异系统更长。一通移动中的电话跨十几次小区，每次偷走几十毫秒，听感就是掉字。抓手：话单级切换次数与中断时长关联分析。
5. 时钟频偏：收发两端采样时钟漂移，误差在解码侧累积，最终表现为周期性断续。本专栏此前写过时钟漂移引发掉话的排查战，语音同样是重灾区。抓手：基站时钟状态巡检、频偏指标监控。
6. 单通与无声：信令全通、媒体面单向断流。常见根因是防火墙拦RTP、NAT映射错误、媒体选路异常或终端麦克风故障。这是投诉定性最难、用户最愤怒的一类。抓手：双向RTP活跃度对账。

六、实战复盘：一场单通投诉潮的72小时

下面这个案例来自作者亲历，细节已脱敏，但排查路径原样保留——它是“信令正常、媒体故障”这类最阴险问题的教科书样本。

背景：东部某省VoLTE网络，一个周日凌晨两点到五点，割接一对SBC（会话边界控制器），替换服役多年的老旧设备。凌晨割接、拨测通过、话务平稳迁回，一切符合剧本。

时间线如下：

狡猾之处在于D2上午的核查：所有信令指标正常。SIP会话建立、释放、计费全链路通畅——因为被拦的只有RTP媒体包。用户拨得通、挂得断、还扣了费，就是听不见对方。这类故障在“接通率”大盘里完全隐形，只有用户投诉和媒体面统计能暴露它。

根因：割接方案里，SBC的媒体面地址从旧网段迁到了新网段，但配套的防火墙媒体白名单条目没有纳入变更窗口——放行了新的信令地址，漏了新的媒体地址段。拨测之所以通过，是因为拨测话务恰好落在保留的旧网段资源上。

复盘沉淀三条：其一，割接检查单必须包含媒体面端到端验证，双向RTP活跃度对账作为收尾动作，而非依赖拨测话务“顺带”覆盖；其二，单通投诉关键词库要进客服系统，工单自动打标、按地市聚合，别让三十条“听不清”散落在各个坐席；其三，RTP丢包、抖动、双向活跃度三项指标进网管大盘，和掉话率同级展示。这次故障没有掉话率的刺眼飙升，若不建媒体面监控，下一对SBC割接时它会再来一次。

七、网优工程师的语音MOS体检清单

把前文的方法收拢成一份可执行的清单，供语音质量专项使用：

• 编解码保障：抽检端到端协商结果，确保EVS/AMR-WB生效，重点盯互通局转码策略，别让跨网呼叫默默掉回窄带。
• RTP质量大盘：丢包率、抖动、双向活跃度三项进KPI，按SBC/媒体网元、按地市两级下钻。
• 单通自动对账：话单级双向RTP活跃度比对，单向断流自动生成工单，不等用户开口。
• 切换中断画像：把话单切换次数与中断时长做关联，识别切换密集导致的掉字路段。
• 时钟同步巡检：基站时钟状态与频偏指标纳入例行巡检，尤其是老旧站点和微波回传站点。
• POLQA路测抽测：按季度在典型场景（高铁、密集城区、室内深层）做MOS路测基线，量化体验趋势。
• 投诉语义打标：客服工单按“发闷/断续/单通/回声”四类自动打标，与网络指标交叉定位。
• 割接媒体面门禁：割接检查单固化双向RTP验证条目，媒体网段变更与防火墙策略变更绑定审批。

标准允许多种实现，各厂家网元的默认参数与统计口径以官方文档为准，但上述清单里没有任何一项依赖特定设备——它们全部建立在3GPP与ITU-T的开放标准之上。

八、结论：体验是可以被测量的

语音不是5G时代的明星业务，却依然是网络的兜底通道：应急呼叫、老年用户、数据网络覆盖不到的角落，最终都靠那一通电话。而语音体验的特殊性在于——用户对它的判断不是“快慢”，而是“像不像真人说话”。

这套体验之所以能被运营，靠的是三层标准栈：P.800定下主观MOS的度量衡，P.863（POLQA）把人耳搬进算法，EVS们则把音质的物理上限一寸寸推高。编解码决定下限，承载质量决定上限，互通路径决定平均值。对运营商而言，最值得投入的一步，是把语音质量从“投诉驱动”扭转成“指标驱动”——让单向断流在用户拨打投诉电话之前就变成一张工单。毕竟，MOS每涨0.1分，用户未必察觉；但从4分掉到3分，他们一定会换运营商。

参考来源

1. ITU-T P.863 官方页面 — POLQA标准正文与版本沿革：2011年首版、2018年第三版现行、2021年附件修订，含历版实现者指南
2. POLQA - Wikipedia — POLQA算法原理（全参考、心理声学模型）、PSQM/PESQ到POLQA的标准谱系、OPTICOM/SwissQual/TNO三家模型融合的开发史
3. Enhanced Voice Services - Wikipedia — EVS标准（3GPP TS 26.441）、各带宽码率档位、信道感知编码与JBM特性、全球商用运营商与终端支持情况、跨网互通窄带降级问题
4. Wideband audio - Wikipedia — 窄带/宽带/超宽带/全带的频率定义、AMR-WB（G.722.2）研发史、GSMA HD Voice商标与认证体系、GSA高清语音网络统计

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。