Речевые кодеки, которые вы всё ещё встретите: G.711, G.722, AMR, EVS

Опубликовано: 2026-06-05 · Время чтения: 14 мин · Автор: Николай Сапунов, CEO Фора Софт

Коротко

Речевые кодеки – это аудиокодеки, созданные для одной задачи: передать человеческий голос по телефонной линии или мобильной сети, используя как можно меньше бит. Четыре из них до сих пор используются в большинстве звонков, связанных с вашим продуктом: G.711, G.722, AMR и EVS. G.711 – это стандарт 1972 года, передающий голос без сжатия со скоростью 64 кбит/с, и до сих пор служит надёжным резервным кодеком почти в каждой системе VoIP. G.722, появившийся в 1988 году, расширил частотный диапазон до 7 кГц, обеспечив более чистый «HD-голос». AMR и его широкополосная версия AMR-WB разрабатывались для сетей 2G, 3G и раннего 4G и динамически меняют битрейт – от 4,75 до 23,85 кбит/с – чтобы справляться с плохим радиосигналом. EVS – кодек современных звонков VoLTE – достигает почти «дисковой» полнодиапазонной полосы 20 кГц, оставаясь при этом совместимым с AMR-WB. Если ваш продукт подключается к телефонной сети общего пользования, совершает мобильные вызовы или интегрируется со старыми конференц-системами, вы столкнётесь с этими кодеками на шлюзе, и именно тот, через который проходит ваш звук, определяет, насколько качественно он может звучать.

Почему это важно

Если вы разрабатываете видеоконференции, телемедицину, контакт-центр или любой продукт, способный использовать настоящий телефонный номер, ваш современный аудиодвижок – обычно Opus поверх WebRTC – вынужден на шлюзе передавать звонок в гораздо более старую телефонную инфраструктуру. Эта передача требует перекодирования звука в один из устаревших речевых кодеков. Эта статья предназначена для продуктовых менеджеров, основателей и операционных руководителей без технического бэкграунда в области звука: к концу вы поймёте, что такое речевой кодек, почему именно эти четыре до сих пор доминируют в телефонии в 2026 году, как они соотносятся по качеству и битрейту, а также где каждый из них незаметно ограничивает качество звонков ваших пользователей. Каждое число в тексте опирается на управляющие стандарты – рекомендации ITU-T и технические спецификации 3GPP, определяющие каждый кодек, – а не на пересказ.

Что такое «речевой кодек» и чем он отличается от музыкального

Кодек – это согласованный способ сжать звук на одном конце канала и восстановить его на другом. Речевой кодек – это кодек, разработанный специально для одного конкретного сигнала: человеческого голоса. Именно эта узкая специализация отличает его от универсальных музыкальных кодеков, таких как AAC или Opus, и понять это различие важно ещё до того, как сами четыре кодека станут понятными.

Музыкальный кодек должен справляться с чем угодно – ударом тарелки, басовым дропом, целым оркестром, – поэтому он поддерживает широкий диапазон частот и тратит на это много бит. Речевой кодек исходит из того, что на входе – человеческий голос, а голос – гораздо более простой и предсказуемый сигнал: он в основном лежит в диапазоне от 300 до 3400 герц (диапазон, который использовался в старых телефонах) и создаётся физической системой – голосовыми связками, гортанью, ртом, – которую можно описать математически.

Эта модель – главный трюк. Большинство современных речевых кодеков используют метод, известный как линейное предсказание, а в уточнённой форме – ACELP (Algebraic Code-Excited Linear Prediction). Вместо передачи самой звуковой волны кодек для каждого короткого отрезка строит крошечную математическую модель голосового тракта говорящего и передаёт лишь её настройки, а также тонкий «возбуждающий» сигнал, который эту модель активирует. Приёмник запускает ту же модель в обратную сторону и восстанавливает голос, близкий к оригиналу. Поскольку для описания модели голоса требуется гораздо меньше данных, чем для хранения исходной волны, кодеки ACELP обеспечивают разборчивую речь при поразительно низких битрейтах – например, 4,75 кбит/с, чего не способны достичь даже музыкальные кодеки.

Вот почему речевые и музыкальные кодеки – разные миры; подробнее в статье как работает сжатие звука. Речевой кодек жертвует способностью передавать музыку ради того, чтобы эффективно и надёжно передавать голос. Четыре кодека ниже – те, с которыми видеопродукт всё ещё может столкнуться, примерно в порядке их появления.

Нажмите, чтобы увеличить

G.711: кодек, используемый почти в каждом телефонном звонке

G.711 – старейший и простейший из четырёх, и тот, с которым вы точно столкнётесь. ITU-T – подразделение Международного союза электросвязи, отвечающее за стандартизацию и управляющее мировой телефонией, – утвердило G.711 15 декабря 1972 года, и с тех пор этот стандарт лежит в основе цифровых телефонных сетей (ITU-T G.711).

G.711 почти не сжимает данные. Он берёт голос, ограничивает его классической телефонной полосой 300–3400 Гц, измеряет 8000 раз в секунду – то есть с частотой дискретизации 8 кГц – и хранит каждое измерение в 8 битах, в результате чего получается постоянная скорость передачи 64 кбит/с (ITU-T G.711). Частота дискретизации – это количество измерений звука в секунду, подробнее об этом можно прочитать в статье частота дискретизации. Покажем арифметику вслух:

8000 отсчётов в секунду × 8 бит на отсчёт = 64 000 бит в секунду
64 000 бит в секунду ÷ 1000 = 64 кбит/с

«Сжатие» в G.711 – это умный приём под названием компандирование: громкие участки сигнала сжимаются, а на приёмной стороне восстанавливаются, чтобы 8 бит звучали так, будто их больше. Существует два варианта: μ-law (мю-закон), применяемый в Северной Америке и Японии, преобразующий 14-битные линейные отсчёты в 8-битный формат; и A-law, используемый в большинстве остальных стран, кодирующий 13-битные отсчёты (ITU-T G.711). Эти форматы несовместимы при передаче по линии, поэтому трансатлантический звонок требует преобразования на границе сетей – небольшая, но реальная ловушка.

Поскольку G.711 используется повсеместно, это кодек, на который две системы переходят, если не могут договориться о более продвинутом варианте. В звонке по протоколу Session Initiation Protocol – SIP, который отвечает за инициализацию большинства VoIP-звонков, – G.711 использует фиксированные типы полезной нагрузки RTP: 0 для μ-law (PCMU) и 8 для A-law (PCMA) – единственные аудиокодеки, которым навсегда зарезервированы номера (IETF RFC 3551). RTP – это транспортный протокол реального времени, отвечающий за передачу аудиопакетов; подробности о нём – в статье метки времени RTP и отчёты отправителя. Для продуктовой команды вывод очевиден: если ваш шлюз не поддерживает ничего другого, звонок будет идти через G.711 – со скоростью 64 кбит/с, с узким телефонным звучанием, понятным всем.

G.722: первый «HD-голос»

Шестнадцать лет спустя ITU-T расширил возможности звука. G.722, утверждённый в ноябре 1988 года, стал первым стандартом, обеспечивающим широкополосную передачу речи – с диапазоном примерно 50–7000 Гц, вдвое шире, чем у G.711 (ITU-T G.722). Именно этот дополнительный высокочастотный диапазон делает голос естественным, а не «телефонно-тонким», и именно поэтому G.722 стал исходным кодеком HD Voice.

G.722 дискретизирует голос на частоте 16 кГц (а не 8 кГц) и использует метод под названием субполосный ADPCM: он разделяет сигнал на нижнюю и верхнюю частотные полосы, после чего каждую полосу кодирует с помощью адаптивного разностного импульсно-кодового модулирования – сохраняя изменения между отсчётами, а не сами отсчёты (ITU-T G.722). Стандарт поддерживает три режима работы, все они умещаются в канал пропускной способностью 64 кбит/с: 64, 56 или 48 кбит/с под аудио, оставляя 8 или 16 кбит/с для передачи данных по боковому каналу (ITU-T G.722).

Где вы до сих пор встречаете G.722? Это широкополосный кодек по умолчанию в большинстве настольных (SIP) телефонных систем и многих корпоративных конференц-мостах, потому что он обеспечивает заметный прирост качества по сравнению с G.711 почти без дополнительной сложности и без увеличения полосы пропускания – он помещается в тот же слот 64 кбит/с. Если ваш продукт подключается к корпоративной телефонной системе или аппаратной переговорной, широкополосная часть такого звонка очень часто оказывается именно G.722.

Частая ошибка: считать, что «wideband» всегда означает «лучше на этом звонке»

Частая ошибка при планировании – считать, что широкополосный кодек автоматически подходит для любого звонка. Это не так, и вот почему. Во-первых, оба конца и каждый узел между ними должны поддерживать широкополосную передачу: если хотя бы один узкополосный шлюз окажется на пути, весь звонок будет ограничен 3,4 кГц, и широкополосный кодек не принесёт никакой пользы. Во-вторых, широкополосность работает только тогда, когда звук изначально записан с широким диапазоном – апсемплинг узкополосной записи в G.722 не добавляет реальных деталей. Практическое правило: выбирайте лучший кодек, который поддерживается на всём пути, но оценивайте ожидаемое качество звука исходя из самого слабого звена в цепочке, а не по названию кодека в собственной конфигурации.

AMR и AMR-WB: кодеки, созданные для плохих радиосигналов

Телефонная сеть – одно дело, а мобильная – сложнее. Радио сигнал замирает, руки двигаются, связь пропадает – и кодек для сотового голоса должен справляться со всем этим. Именно для таких задач и создавался AMR.

AMR – Adaptive Multi-Rate – речевой кодек сетей 2G и 3G, заданный 3GPP (орган, стандартизирующий мобильные сети) в 3GPP TS 26.071. Его определяющая черта – в названии: он адаптивный, то есть может менять битрейт каждые 20 миллисекунд в зависимости от качества радиосигнала (3GPP TS 26.071). Когда сигнал сильный, кодек использует больше бит для лучшего звука; при ослаблении сигнала он снижает битрейт, чтобы звонок не прерывался, а продолжал работать.

AMR – узкополосный формат (8 кГц дискретизации, та же полоса частот 3,4 кГц, что и у G.711) и поддерживает восемь режимов битрейта: 4,75, 5,15, 5,90, 6,70, 7,40, 7,95, 10,2 и 12,2 кбит/с (3GPP TS 26.071). Он использует голосовое кодирование ACELP, описанное выше, и позволяет передавать разборчивую речь уже при 4,75 кбит/с – примерно в тринадцатую часть от объёма данных G.711.

AMR-WB – широкополосное обновление, и у него есть второе имя, которое стоит знать: ITU-T принял идентичный кодек как G.722.2, так что «AMR-WB» и «G.722.2» – одно и то же (3GPP TS 26.190; ITU-T G.722.2). Разработанный Nokia и VoiceAge, AMR-WB снова расширяет диапазон звука до 50–7000 Гц, как и G.722, но делает это значительно эффективнее – с девятью режимами от 6,60 до 23,85 кбит/с (3GPP TS 26.190). AMR-WB – кодек, лежащий в основе большинства маркировок «HD Voice» в мобильных звонках 3G и 4G. Для пользователей, подключённых к мобильной сети, AMR-WB – скорее всего, тот кодек, на котором работает ваша широкополосная мобильная связь до перехода на VoLTE.

Нажмите, чтобы увеличить

EVS: современный кодек VoLTE, наконец догнавший музыку

Самый новый из четырёх – тот, что используется в современных мобильных звонках. EVS – Enhanced Voice Services – был стандартизирован 3GPP в 2014 году (3GPP TS 26.441) как голосовой кодек для VoLTE (Voice over LTE), а теперь и для VoNR (Voice over New Radio, в сетях 5G). Именно этот кодек ваш телефон применяет для «HD+»-звонков в современной сети.

EVS делает три вещи, недоступные его предшественникам – и все сразу. Во-первых, он поддерживает все полосы частот в одном кодеке: narrowband, wideband, super-wideband (до 14 кГц) и fullband (до 20 кГц) – а 20 кГц охватывают весь диапазон человеческого слуха, как в музыкальном треке (3GPP TS 26.441). Голосовой звонок по EVS может звучать так, будто собеседник находится в одной комнате, а не на другом конце линии. Во-вторых, он работает в широком диапазоне битрейтов – режимы super-wideband доступны при 9,6, 13,2, 16,4, 24,4, 32, 48, 64, 96 и 128 кбит/с – и на нижних значениях обеспечивает качество, сравнимое с AMR-WB или даже превосходящее его при одинаковом битрейте (3GPP TS 26.441; Nokia). В-третьих, он устойчив к потере пакетов: канально-зависимый режим (channel-aware) и эффективные методы сокрытия потерь позволяют скрывать пропущенные фрагменты звука при сбоях в передаче данных; подробнее об этом – в статье сокрытие потери пакетов.

Одна деталь делает EVS безболезненным в развёртывании: он включает режим, совместимый с AMR-WB, так что телефон на EVS может общаться с телефоном на AMR-WB без перекодировки, ухудшающей качество (3GPP TS 26.441). Эта обратная совместимость и позволила операторам внедрять EVS постепенно. Для продукта, предназначенного для мобильной сети 2026 года, EVS – лучшая по качеству звука технология, на которую можно рассчитывать, и именно она объясняет, почему современный мобильный звонок может звучать заметно лучше, чем тот же звонок десятилетней давности.

Сравнение четырёх

Табл. 1. Четыре семейства речевых кодеков, которые видеопродукт всё ещё использует в 2026 году. G.711 – универсальный стандарт; G.722 – широкополосный стандарт для настольных телефонов; AMR / AMR-WB – наследие сотовых сетей; EVS – современный кодек VoLTE. Источники: ITU-T G.711, G.722, G.722.2; 3GPP TS 26.071, TS 26.190, TS 26.441.

Почему это важно, когда у вас Opus

Ваш продукт, скорее всего, не кодирует голос ни в одном из этих кодеков нативно. Современный стек для работы в реальном времени использует Opus поверх WebRTC – об этом подробно рассказано в статье Opus: открытый кодек, захвативший WebRTC. Причина проста: Opus превосходит все четыре альтернативы при одинаковом битрейте. Так зачем переживать?

Затем, когда ваш звонок покидает интернет и попадает в телефонную сеть – вызов на мобильный, подключение клиента по телефону, соединение с устаревшей УПАТС – шлюз перекодирует Opus в кодек, используемый этой сетью. Перекодировка означает полное декодирование звука и повторное кодирование в другом формате, и каждая такая операция немного снижает качество и увеличивает задержку. Кодек на стороне получателя становится пределом: если звонок попадает на G.711, никакое качество Opus с вашей стороны не сделает его лучше, чем у узкополосного телефона. Знание того, какой кодек используется на каждом участке пути, точно показывает, где теряется качество звука, и помогает решить, стоит ли добиваться широкополосного шлюза (G.722, AMR-WB, EVS) на конкретном маршруте.

При чём тут Фора Софт

Мы разрабатываем видеоконференции, телемедицину, e-learning, контакт-центры и OTT-услуги, и мост в телефонную сеть появляется почти во всех этих решениях – пациент, подключающийся к телемедицинской консультации по обычному телефону, участник, дозванивающийся на конференцию, оператор контакт-центра, работающий через SIP-транк. Практическая инженерия здесь – в передаче: выбор шлюзов, способных поддерживать самый широкий кодек, совместимый с маршрутом, минимизация перекодировок между Opus и речевыми кодеками, замеры реального качества «рот-в-ухо» после прохождения через шлюз, а также чистый резерв на G.711, чтобы звонок никогда не обрывался из-за отсутствия общего кодека. Эти компромиссы ради совместимости с телефонией мы внедряли в конференц- и телемедицинских проектах с 2005 года.

Ключевые выводы

• Речевые кодеки эффективно сжимают голос, моделируя голосовой тракт.
• G.711 (1972) – несжатый поток 64 кбит/с, служит универсальным резервом для VoIP.
• G.722 (1988) добавил поддержку wideband (7 кГц) «HD-голоса» при той же скорости – 64 кбит/с.
• AMR / AMR-WB динамически меняют битрейт каждые 20 мс, чтобы адаптироваться к условиям радиосвязи.
• EVS (2014) поддерживает fullband (20 кГц) и сегодня является основным кодеком для VoLTE.
• Перекодировка на шлюзе в эти кодеки ограничивает максимальное качество звонка.

Что почитать дальше

• Как работает сжатие звука: четыре идеи в основе любого современного кодека
• Opus: открытый кодек, захвативший WebRTC
• Сокрытие потери пакетов (PLC): как прячут пропавшие фреймы