VoIP: голос поверх IP и что ему нужно от сети

VoIP, Voice over IP, переносит телефонный разговор по обычным IP-сетям. Микрофон даёт непрерывный аналоговый сигнал. Устройство оцифровывает его и сжимает кодеком, а затем режет на короткие фрагменты, обычно по 20 миллисекунд, и упаковывает в пакеты. Получатель разворачивает пакеты в обратном порядке и воспроизводит звук.

По этой схеме работают IP-телефоны в офисах, программные телефоны, звонки в мессенджерах и приложениях для встреч. Различаются протоколы сигнализации: SIP в классической телефонии, собственные решения у мессенджеров, WebRTC в браузерах. Но всех объединяет одно: голос путешествует в тех же пакетах, что и веб-страницы.

Кодек определяет, сколько данных нужно на секунду разговора и насколько хорошо звучит голос. Старые G.711 и G.729 рассчитаны на узкую телефонную полосу, современный Opus гибко подстраивается под канал, от узкополосной речи до высококачественной музыки, и широко применяется в приложениях. Чем выше качество, тем больше требуется полосы, но для одного разговора она всё равно невелика по современным меркам: обычно от десятков до сотни килобит в секунду.

Важнее полосы оказываются другие свойства канала, и именно из-за них голос страдает на заведомо быстром интернете.

Если звонок идёт через мессенджер или программу для встреч, выбор кодека и подстройка под канал происходят автоматически: приложение измеряет потери и задержку и снижает битрейт, когда сеть ухудшается. Отсюда знакомый эффект, когда голос на слабом канале становится «металлическим», но не пропадает совсем, а видео при этом теряет чёткость в первую очередь.

Задержка определяет, насколько естественен диалог. Когда пауза между репликами превышает примерно четверть секунды, собеседники начинают перебивать друг друга. Джиттер, то есть неравномерность интервалов между пакетами, лечится буфером на приёмной стороне: он выравнивает поток, но ценой дополнительной задержки. Потери пакетов приводят к провалам и «роботному» голосу. Голос по UDP не повторяют, потому что запоздавший пакет уже бесполезен, поэтому кодеки маскируют потери и иногда добавляют избыточность.

Эти показатели подробнее описаны на страницах про задержку, джиттер и потери пакетов. Типовые ориентиры телефонных рекомендаций: задержка в одну сторону желательна ниже 150 миллисекунд, а потери — в пределах долей процента.

Самые частые причины — перегруженный канал, когда параллельная загрузка занимает всю исходящую полосу, слабый Wi-Fi и удалённый провайдер. Эффект, при котором большая закачка вызывает рывки голоса, называется раздуванием буфера, и ему посвящена отдельная страница. Лечат его приоритизацией: механизм QoS помечает пакеты голоса и ставит их в очереди раньше остальных, а на роутере включают умное управление очередью.

В корпоративных сетях голос выносят в отдельную виртуальную сеть VLAN, чтобы изолировать его от остального трафика. Для домашнего использования достаточно проводного подключения телефона или компьютера и ограничения фоновых загрузок на время разговоров.

В офисе полезно заранее посчитать, сколько одновременных разговоров выдержит внешний канал, и учесть, что исходящая полоса обычно меньше входящей. Запас на пики подбирают с небольшим превышением. Если канал делится с видеовстречами и облачными копиями, разумно приоритизировать голос и назначить фоновым задачам окна, когда разговоров нет.

Часто считают, что для хорошей связи нужна максимальная скорость канала. Для голоса главное стабильность: канал в 20 Мбит/с с ровной задержкой лучше, чем 500 Мбит/с с пиками. Другое допущение: VoIP по определению небезопасен. Без шифрования звонки можно перехватить, как и любой трафик, но защищённые варианты с TLS и SRTP решают вопрос. Третье: в мобильных сетях он не применяется. Технологии VoLTE и VoWiFi — тоже IP-телефония, о них есть отдельные страницы.

Проверить сеть до звонка помогут ping с контролем задержки и потерь до нужного узла и длительная проверка при загруженном канале. Многие приложения для встреч показывают статистику звонка: задержку, потери и джиттер, и по ней видно, что именно портит разговор.