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, заточенные под одну задачу: пронести человеческий голос через телефонную линию или мобильную сеть, потратив как можно меньше бит, – и четыре из них до сих пор работают под большинством звонков, которых касается ваш продукт: G.711, G.722, AMR и EVS. G.711 – телефонный стандарт 1972 года, который передаёт голос без сжатия на 64 кбит/с и до сих пор служит безопасным резервным кодеком почти каждой системы VoIP, а G.722 в 1988 году расширил звук до полосы 7 кГц ради более чистого «HD-голоса». AMR и его широкополосный собрат AMR-WB создавались для сетей 2G, 3G и раннего 4G и меняют битрейт от 4,75 до 23,85 кбит/с, чтобы пережить плохое радио, а EVS – кодек внутри современных звонков VoLTE – доходит до почти «дисковой» полнодиапазонной полосы 20 кГц, оставаясь совместимым с AMR-WB. Если ваш продукт подключается к телефонной сети общего пользования, набирает мобильный или мостится в старую конференц-систему, вы встретите эти кодеки на шлюзе, и тот, через который проходит ваш звук, задаёт потолок того, как хорошо может звучать голос.

Почему это важно

Если вы строите видеоконференции, телемедицину, контакт-центр или любой продукт, способный набрать настоящий телефонный номер, ваш современный аудиодвижок – обычно Opus поверх WebRTC – вынужден на шлюзе передать звонок в куда более старый мир, и эта передача заставляет перекодировать звук в один из этих речевых кодеков. Эта статья – для продакт-менеджера, основателя или операционного руководителя без бэкграунда в звуке: к концу вы поймёте, что такое речевой кодек, почему эти четыре до сих пор правят телефонией в 2026 году, как они соотносятся по качеству и битрейту и где каждый из них тихо ставит потолок качества звонкам ваших пользователей. Каждое число восходит к управляющему стандарту – рекомендациям ITU-T и техническим спецификациям 3GPP, задающим каждый кодек, – а не к пересказу.

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

Кодек – это согласованный метод сжать звук на одном конце канала и восстановить на другом. Речевой кодек – это кодек, построенный под один конкретный сигнал: человеческий голос. Именно эта узкая цель отличает его от музыкального кодека общего назначения вроде AAC или Opus, и понять различие стоит до того, как сами четыре кодека обретут смысл.

Музыкальный кодек должен справляться с чем угодно – удар тарелки, басовый дроп, целый оркестр, – поэтому он держит широкий диапазон частот и тратит на это много бит. Речевой кодек исходит из того, что на входе голос, а голос – куда более простой и предсказуемый сигнал: он лежит в основном между 300 и 3400 герцами (диапазон, который нёс старый телефон) и производится физической системой – голосовыми связками, гортанью, ртом, – которую можно описать математически.

Эта модель и есть главный трюк. Большинство современных речевых кодеков используют метод под названием линейное предсказание, часто в уточнённой форме под именем ACELP – Algebraic Code-Excited Linear Prediction. Вместо самой звуковой волны кодек строит для каждого короткого отрезка крошечную математическую модель голосового тракта говорящего и передаёт лишь настройки модели плюс тонкий «возбуждающий» сигнал, который её приводит в движение. Приёмник запускает ту же модель в обратную сторону и восстанавливает голос, близкий к оригиналу. Поскольку модели голоса нужно гораздо меньше данных, чем сырой волне, кодеки ACELP несут разборчивую речь при поразительно низких битрейтах – цифры вроде 4,75 кбит/с, до которых не дотянется ни один музыкальный кодек.

Вот почему речевые и музыкальные кодеки – разные миры; подробнее в статье как работает сжатие звука. Речевой кодек жертвует способностью нести музыку ради способности нести голос дёшево и устойчиво. Четыре кодека ниже – это те, что видеопродукт всё ещё встретит, примерно в порядке их появления.

Нажмите, чтобы увеличить

G.711: кодек почти под каждым телефонным звонком

G.711 – старейший и простейший из четырёх и тот, который вы точно встретите. ITU-T – отвечающее за стандарты подразделение Международного союза электросвязи, орган, управляющий мировой телефонией, – утвердил G.711 15 декабря 1972 года, и с тех пор он лежит в основе цифровых телефонных сетей (ITU-T G.711).

G.711 почти ничего не сжимает. Он берёт голос, ограничивает его классической телефонной полосой 300–3400 Гц, измеряет его 8000 раз в секунду – частота дискретизации 8 кГц – и хранит каждое измерение в 8 битах, итого постоянные 64 кбит/с (ITU-T G.711). Частота дискретизации – это сколько раз в секунду система измеряет звук, подробнее 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 один умный шаг под названием компандирование: громкие части сжимаются, а на другой стороне разворачиваются обратно, так что 8 бит звучат как больше. Есть два варианта: μ-law (мю-закон), используемый в Северной Америке и Японии, кодирующий 14-битные линейные отсчёты в 8 бит; и A-law, используемый в большей части остального мира, кодирующий 13-битные отсчёты (ITU-T G.711). На проводе они несовместимы, поэтому трансатлантический звонок требует преобразования на границе – небольшая, но реальная ловушка.

Поскольку G.711 есть везде, это тот кодек, на который две системы откатываются, когда не могут договориться ни о чём более продвинутом. В звонке по Session Initiation Protocol – SIP, сигнализация, поднимающая большинство VoIP-звонков, – G.711 несёт фиксированные типы полезной нагрузки RTP 0 для μ-law (PCMU) и 8 для A-law (PCMA) – единственные аудиокодеки с навсегда зарезервированными номерами (IETF RFC 3551). RTP – это транспортный протокол реального времени, который и переносит аудиопакеты; о нём – в статье метки времени RTP и отчёты отправителя. Для продуктовой команды урок прост: если ваш шлюз не предлагает ничего другого, звонок пойдёт на G.711 – полные 64 кбит/с, узкий телефонный звук, понятный всем.

G.722: первый «HD-голос»

Шестнадцать лет спустя ITU-T расширил звук. G.722, утверждённый в ноябре 1988 года, стал первым стандартом, несущим широкополосную речь – диапазон примерно 50–7000 Гц, вдвое шире G.711 (ITU-T G.722). Этот добавочный высокочастотный диапазон и делает голос естественным, а не «телефонно-тонким», и именно поэтому G.722 стал исходным кодеком HD Voice.

G.722 дискретизирует голос на 16 кГц (а не 8) и использует метод под названием субполосный ADPCM: он делит сигнал на нижнюю и верхнюю частотные полосы, затем кодирует каждую полосу адаптивным разностным кодированием – храня изменение между отсчётами, а не сами отсчёты (ITU-T G.722). Он работает в трёх режимах, все помещаются в канал 64 кбит/с: 64, 56 или 48 кбит/с под аудио, со свободными 8 или 16 кбит/с под боковой канал данных (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 даёт явный скачок качества над G.711 почти без лишней сложности и без лишней полосы – он помещается в тот же слот 64 кбит/с. Если ваш продукт подключается к корпоративной телефонной системе или аппаратной переговорной, широкополосная часть того звонка очень часто и есть G.722.

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

Частая ошибка планирования – считать широкополосный кодек автоматически лучшим для каждого звонка. Это не так, по двум причинам. Во-первых, оба конца и каждый узел между ними должны поддерживать широкополосность; единственный узкополосный шлюз в пути тянет весь звонок назад к 3,4 кГц, и широкополосный кодек ничего вам не даёт. Во-вторых, широкополосность помогает, только если звук изначально был захвачен широко – апсемплинг узкополосной записи в G.722 не добавляет реальных деталей. Практическое правило: согласовывайте лучший кодек, который держит весь путь, но стройте ожидания по качеству вокруг самого слабого звена цепи, а не имени кодека в собственном конфиге.

AMR и AMR-WB: кодеки, созданные для плохого радио

Телефонная сеть – это одно; мобильная сеть сложнее. Радио замирает, руки двигаются, сигнал падает – и кодек для сотового голоса должен пережить всё это. Именно для этой работы 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 на лету, каждые 20 миллисекунд, под то, насколько хорошо радио в этот момент (3GPP TS 26.071). Когда сигнал сильный, он тратит больше бит ради лучшего звука; когда сигнал слабеет, опускается до меньшего битрейта, чтобы звонок выжил, а не развалился.

AMR – узкополосный (8 кГц дискретизации, та же полоса голоса 3,4 кГц, что у G.711) и предлагает 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 кодирование по модели голоса ACELP, описанное выше, и так умещает разборчивый звонок в каких-то 4,75 кбит/с – примерно одну тринадцатую 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 звук до 50–7000 Гц, как G.722, но делает это куда эффективнее, с девятью режимами от 6,60 до 23,85 кбит/с (3GPP TS 26.190). AMR-WB – кодек за большинством маркировок «HD Voice» на мобильных звонках 3G и 4G. Для команды, мостящейся в мобильную сеть, AMR-WB – тот кодек, на котором, скорее всего, идёт ваша широкополосная мобильная часть до перехода на VoLTE.

Нажмите, чтобы увеличить

EVS: современный кодек VoLTE, наконец догнавший музыку

Самый новый из четырёх – тот, что внутри современных мобильных звонков. EVS – Enhanced Voice Services – стандартизирован 3GPP в 2014 году (3GPP TS 26.441) как голосовой кодек для VoLTE (Voice over LTE), а теперь и VoNR (Voice over New Radio, на 5G). Это кодек, который ваш телефон использует для звонка «HD+» в современной сети.

EVS делает три вещи, недоступные предшественникам, и все разом. Во-первых, он охватывает каждую полосу в одном кодеке: narrowband, wideband, super-wideband (до 14 кГц) и fullband (до 20 кГц) – а 20 кГц – это весь диапазон человеческого слуха, как у музыкального трека (3GPP TS 26.441). Голосовой звонок на EVS может звучать так, будто человек в комнате, а не на телефоне. Во-вторых, он покрывает широкий диапазон битрейтов – одни только режимы super-wideband идут на 9,6, 13,2, 16,4, 24,4, 32, 48, 64, 96 и 128 кбит/с – и на нижнем конце совпадает с качеством AMR-WB или превосходит его при том же битрейте (3GPP TS 26.441; Nokia). В-третьих, он построен так, чтобы пережить потерю пакетов: канально-зависимый режим (channel-aware) и сильное сокрытие потерь, методы, прячущие пропавший звук при потере данных сетью; 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 говорить с телефоном на AMR-WB без перекодировки, рушащей качество (3GPP TS 26.441). Эта обратная совместимость и позволила операторам выкатывать EVS постепенно. Для продукта, мостящегося в мобильную сеть 2026 года, EVS – лучшая по звуку часть, на которую можно надеяться, – и причина, по которой современный мобильный звонок может звучать заметно лучше того же звонка десятилетней давности.

Сравнение четырёх

Табл. 1. Четыре семейства речевых кодеков, которые видеопродукт всё ещё встречает в 2026 году. G.711 – универсальный пол; G.722 – широкополосный стандарт настольных телефонов; AMR / AMR-WB – сотовое наследие; 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 почти наверняка не кодирует голос ни в одном из этих кодеков нативно. Современный стек реального времени использует Opus поверх WebRTC; о нём – в статье Opus: открытый кодек, захвативший WebRTC, потому что Opus лучше всех четырёх при том же битрейте. Так зачем переживать?

Затем, что в момент, когда ваш звонок покидает интернет и касается телефонной сети – набор на мобильный, подключение клиента по телефону, мост в старую УПАТС, – шлюз перекодирует Opus в тот речевой кодек, на котором говорит эта сеть. Перекодировка значит полностью декодировать звук и заново закодировать в другом кодеке, и каждая перекодировка стоит немного качества и добавляет немного задержки. Кодек дальней стороны становится потолком: если звонок попал на G.711, никакое качество Opus с вашей стороны не сделает его лучше узкополосного телефона. Знание того, какой кодек использует каждый путь, точно говорит, где обрезается качество вашего звука, и стоит ли добиваться широкополосного шлюза (G.722, AMR-WB, EVS) на конкретном маршруте.

При чём тут Фора Софт

Мы строим видеоконференции, телемедицину, e-learning, контакт-центры и OTT-продукты, и мост в телефонную сеть всплывает в большинстве из них – пациент, подключающийся к телемедицинской консультации по обычному телефону, участник, дозванивающийся на конференцию, оператор контакт-центра на SIP-транке. Практическая инженерия – в передаче: выбор шлюзов, согласующих самый широкий кодек, который держит маршрут, минимизация числа перекодировок между Opus и речевым кодеком, замер реального качества «рот-в-ухо», переживающего шлюз, и чистый резерв на G.711, чтобы звонок никогда не падал из-за отсутствия общего кодека. Мы делали эти компромиссы телефонной совместимости в конференц- и телемедицинских проектах с 2005 года.

Ключевые выводы

• Речевые кодеки дёшево сжимают голос, моделируя голосовой тракт.
• G.711 (1972) – несжатые 64 кбит/с, универсальный резерв VoIP.
• G.722 (1988) добавил wideband 7 кГц «HD-голос» в те же 64 кбит/с.
• AMR / AMR-WB меняют битрейт каждые 20 мс ради выживания в радио.
• EVS (2014) доходит до fullband 20 кГц и сегодня – кодек VoLTE.
• Перекодировка на шлюзе в эти кодеки ставит потолок качества 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