VoIP และ SIP

Codec VoIP คืออะไร เลือกอย่างไร และกินแบนด์วิดท์เท่าไร

codec คือวิธีแปลงเสียงพูดเป็นข้อมูลดิจิทัลแล้วแปลงกลับ แต่ละแบบแลกกันระหว่างแบนด์วิดท์ ความชัด และความหน่วง สำหรับคู่สายธุรกิจ สิ่งที่ทำให้เสียงแย่บ่อยกว่าการเลือก codec ผิดตัว คือการแปลง codec ซ้ำหลายทอดระหว่างทาง

จัดทำโดย GW (ร่างด้วย AI ตรวจแหล่งอ้างอิงด้วย AI อีกชุด GW อนุมัติ) · GW Business International · ทะเบียนนิติบุคคล 0105552111558 · ใบอนุญาต กสทช. แบบที่หนึ่ง TEL1/2562/008 · ปรับปรุง 15 พ.ย. 2569

codec มาจากคำว่า coder-decoder คือวิธีแปลงเสียงพูดเป็นข้อมูลดิจิทัลที่ฝั่งพูด แล้วแปลงกลับเป็นเสียงที่ฝั่งฟัง ในสายโทรศัพท์ผ่านไอพี สองฝั่งต้องตกลงใช้ codec เดียวกันก่อนเริ่มคุย ตัวเลือกนี้กำหนด 3 อย่างพร้อมกัน คือแบนด์วิดท์ที่ใช้ ความชัดของเสียง และความหน่วงที่เพิ่มเข้าไปในสาย

บทความนี้ช่วยให้ผู้จัดการและฝ่ายไอทีอ่านค่าที่ผู้ติดตั้งหรือผู้ให้บริการเสนอมาได้ และคิดแบนด์วิดท์ต่อสายเองได้ ภาพรวมของ VoIP และการเผื่อแบนด์วิดท์ทั้งสำนักงานอยู่ในบทความ VoIP คืออะไร

จากเสียงพูดถึงแพ็กเก็ต

  1. สุ่มสัญญาณ: G.711 ซึ่งเป็นมาตรฐานพื้นฐานของเสียงโทรศัพท์แบบดิจิทัล กำหนดอัตราสุ่ม 8,000 ครั้งต่อวินาที และใช้ 8 บิตต่อครั้ง [1] จึงได้ 8,000 × 8 = 64,000 บิตต่อวินาที หรือ 64 kbit/s
  2. บีบอัดหรือไม่บีบอัด: G.711 ไม่บีบอัด ส่วน G.729 เข้ารหัสเสียงพูดที่ 8 kbit/s [2] โดยทำงานเป็นเฟรม เฟรมละ 10 มิลลิวินาที [4]
  3. แบ่งใส่แพ็กเก็ต: มาตรฐาน RTP ให้ค่าเริ่มต้นของแพ็กเก็ตหนึ่งยาว 20 มิลลิวินาที หรือยาวหนึ่งเฟรม แล้วแต่ค่าไหนยาวกว่า [4] ความยาวนี้มักเรียกว่า ptime
  4. ตกลงกันก่อนคุย: ฝั่งโทรเสนอรายการ codec เรียงตามลำดับที่อยากใช้ ฝั่งรับเลือกได้เฉพาะจากรายการนั้น ถ้าไม่มีตัวที่ใช้ร่วมกันได้ ช่องเสียงนั้นต้องถูกปฏิเสธ [8] ลำดับข้อความที่ใช้ต่อรองอยู่ในบทความ SIP Protocol คืออะไร

G.711 มี 2 แบบ คือ A-law และ µ-law [1] มาตรฐานของอุปกรณ์มัลติเพล็กซ์ PCM ที่ทำงานที่ 2,048 kbit/s (อัตราเดียวกับวงจรที่วงการเรียกว่า E1) กำหนดให้ใช้แบบ A-law [13] ถ้าสองฝั่งใช้คนละแบบ ต้องแปลงระหว่างทาง และการแปลงนี้เพิ่มความเพี้ยนจากการปัดค่า [1][12]

เทียบ 4 codec ที่เจอบ่อย

codecอัตราบิตของเสียงช่วงเสียงทำงานเป็นค่าความเสียหาย Ie (น้อยดีกว่า)
G.71164 kbit/s [1]สุ่ม 8,000 ครั้งต่อวินาที เป็นเสียงแถบแคบ ส่งเสียงได้ไม่เกินราว 4 kHz (ผู้เขียนคำนวณจากอัตราสุ่มครึ่งหนึ่ง ประกอบตารางแถบเสียงของ [5]) [1][5]ทีละตัวอย่างเสียง [4]0 [12]
G.7298 kbit/s [2]สุ่ม 8,000 ครั้งต่อวินาที [4]เฟรม 10 มิลลิวินาที มองล่วงหน้าอีก 5 มิลลิวินาที [4][11]10 สำหรับภาคผนวก A และ 11 เมื่อเปิดการตัดช่วงเงียบ [12]
G.72264, 56 หรือ 48 kbit/s [3]50 ถึง 7,000 Hz สุ่มจริง 16,000 ครั้งต่อวินาที [3][4]ทีละตัวอย่างเสียง [4]13 ที่ 64 kbit/s บนสเกลเสียงกว้าง [12]
โคเดกตามมาตรฐาน IETF RFC 6716ปรับได้ตั้งแต่ 6 ถึง 510 kbit/s [5]ตั้งแต่แถบแคบ 4 kHz ถึงเต็มแถบ 20 kHz [5]เฟรม 2.5 ถึง 60 มิลลิวินาที [5]ไม่มีในตารางของ G.113 ฉบับ 09/2024 [12]

Ie คืออะไร: ITU-T G.113 ให้ค่าความเสียหายจากอุปกรณ์ (Ie) กับ codec แต่ละตัว เพื่อใช้ในแบบจำลองคุณภาพเสียงของ ITU ค่าที่สูงแปลว่า codec ทำให้คุณภาพตกมากกว่า G.711 ได้ 0 และ G.729 ภาคผนวก A ได้ 10 [12]

ทำไม G.722 อยู่อีกสเกล: ค่า 13 ของ G.722 อยู่บนสเกลสำหรับเสียงกว้าง ซึ่งเป็นค่าเมื่อฟังด้วยหูฟังข้างเดียวแบบหูโทรศัพท์ บนสเกลเดียวกันนั้น codec แถบแคบได้ค่าเท่ากับ Ie เดิมบวก 35.8 [12] G.711 จึงได้ 0 + 35.8 = 35.8 แปลว่าเมื่อทั้งสายเป็นเสียงกว้างจริง G.722 ที่ 64 kbit/s ให้คุณภาพดีกว่า G.711 ตามแบบจำลองนี้

โคเดกตาม RFC 6716 ต่างจากตัวอื่นตรงไหน: ปรับอัตราบิตและช่วงเสียงได้ระหว่างใช้งาน [5] ค่าเริ่มต้นของรูปแบบแพ็กเก็ต RTP คือแบบอัตราบิตแปรผัน [6] สำหรับเสียงพูดแถบกว้างที่เฟรม 20 มิลลิวินาที เอกสารมาตรฐานแนะนำช่วง 16 ถึง 20 kbit/s [6] และมาตรฐานด้านเสียงของ WebRTC กำหนดให้ทุกโปรแกรมต้องรองรับทั้งโคเดกนี้และ G.711 [7]

คิดแบนด์วิดท์ต่อสายเอง

ทุกแพ็กเก็ตเสียงมีส่วนหัวพ่วงไปด้วยเสมอ คือ IP 20 ไบต์ UDP 8 ไบต์ และ RTP 12 ไบต์ รวม 40 ไบต์ บนอีเธอร์เน็ตมีส่วนหัวและส่วนท้ายอีก 18 ไบต์ [9][14] สูตรของเอกสารผู้ผลิตอุปกรณ์คือ ขนาดแพ็กเก็ตรวมคูณจำนวนแพ็กเก็ตต่อวินาที [9] ผู้เขียนแตกเป็นขั้นให้คิดตามง่าย

  1. ขนาดเสียงต่อแพ็กเก็ต (ไบต์) = อัตรา codec (kbit/s) × ptime (มิลลิวินาที) ÷ 8
  2. ขนาดแพ็กเก็ตบนอีเธอร์เน็ต (ไบต์) = ขนาดเสียง + 40 + 18
  3. จำนวนแพ็กเก็ตต่อวินาที = 1,000 ÷ ptime
  4. แบนด์วิดท์ (kbit/s) = ขนาดแพ็กเก็ต × 8 × จำนวนแพ็กเก็ตต่อวินาที ÷ 1,000

ตัวอย่าง G.711 ที่ ptime 20 มิลลิวินาที: 64 × 20 ÷ 8 = 160 ไบต์ → 160 + 58 = 218 ไบต์ → 1,000 ÷ 20 = 50 แพ็กเก็ตต่อวินาที → 218 × 8 × 50 ÷ 1,000 = 87.2 kbit/s ตรงกับตารางในเอกสารผู้ผลิต [9]

ขั้น 1 ถึง 4 ย่อเป็นสูตรสั้นได้ว่า แบนด์วิดท์ = อัตรา codec + 464 ÷ ptime โดย 464 มาจากส่วนหัว 58 ไบต์ × 8 บิต (ผู้เขียนย่อจากสูตรข้างบน) เช่น G.729 ที่ 20 มิลลิวินาที ได้ 8 + 464 ÷ 20 = 8 + 23.2 = 31.2 kbit/s

ตัวเลขนี้คือกระแสเสียงทิศทางเดียว สายหนึ่งสายมีกระแส RTP สองกระแสสวนกัน [10] จึงต้องมีแบนด์วิดท์ทั้งขาขึ้นและขาลงเท่ากัน ตารางนี้ผู้เขียนคำนวณด้วยวิธีข้างบน หน่วย kbit/s ต่อสายต่อทิศทางบนอีเธอร์เน็ต

codecptime 10 msptime 20 msptime 30 ms
G.711 หรือ G.722 ที่ 64 kbit/s110.487.279.5
G.729 ที่ 8 kbit/s54.431.223.5
โคเดกตาม RFC 6716 ที่ตั้งไว้ 20 kbit/s66.443.235.5
  • ค่าที่ ptime 20 มิลลิวินาทีของ G.711 G.729 และ G.722 ตรงกับตารางของเอกสารผู้ผลิต [9]
  • โคเดกตาม RFC 6716 ใช้อัตราบิตแปรผันเป็นค่าเริ่มต้น [6] ค่าจริงจึงขึ้นลงตามเสียงพูด ตัวเลข 20 kbit/s ในตารางเป็นค่าสมมติจากขอบบนของช่วงที่แนะนำ
  • ตารางนี้ยังไม่หักผลการตัดช่วงเงียบ เอกสารผู้ผลิตแนะนำไม่ให้นับผลประหยัดส่วนนี้ตอนออกแบบเครือข่าย โดยเฉพาะลิงก์ที่มีสายพร้อมกันน้อยกว่า 24 สาย [9]
  • ตัวเลข 87.2 และ 31.2 kbit/s ตรงกับบทความ VoIP คืออะไร ซึ่งมีวิธีเผื่อแบนด์วิดท์ทั้งสำนักงาน

แพ็กเก็ตยาวขึ้น แลกกับความหน่วงที่เพิ่มขึ้น

ptime ยาวขึ้นแปลว่าส่วนหัวต่อวินาทีน้อยลง แบนด์วิดท์จึงลด แต่ต้องรอเก็บเสียงให้เต็มแพ็กเก็ตก่อนส่ง ITU-T G.114 ให้วิธีประมาณความหน่วงฝั่ง codec เมื่อแพ็กเก็ตหนึ่งมีหลายเฟรมไว้ 2 ค่า คือต่ำสุด (N + 1) × ขนาดเฟรม + เวลามองล่วงหน้า และสูงสุด (2N + 1) × ขนาดเฟรม + เวลามองล่วงหน้า โดย N คือจำนวนเฟรมต่อแพ็กเก็ต [11] G.711 มีขนาดเฟรม 0.125 มิลลิวินาทีและไม่มองล่วงหน้า G.729 มีเฟรม 10 มิลลิวินาทีและมองล่วงหน้า 5 มิลลิวินาที [11] ตารางนี้ผู้เขียนคำนวณจากสูตรดังกล่าว

codec และ ptimeNต่ำสุดสูงสุด
G.711 ที่ 20 ms160161 × 0.125 = 20.125 ms321 × 0.125 = 40.125 ms
G.711 ที่ 30 ms240241 × 0.125 = 30.125 ms481 × 0.125 = 60.125 ms
G.729 ที่ 20 ms23 × 10 + 5 = 35 ms5 × 10 + 5 = 55 ms
G.729 ที่ 30 ms34 × 10 + 5 = 45 ms7 × 10 + 5 = 75 ms

ตัวเลขนี้ยังไม่รวมเวลาเดินทางในเครือข่ายและบัฟเฟอร์ฝั่งรับ G.114 ระบุว่าถ้าคุมความหน่วงปลายถึงปลายไว้ต่ำกว่า 150 มิลลิวินาที งานส่วนใหญ่จะโต้ตอบได้แทบไม่รู้สึกถึงความหน่วง [11] ความหน่วงจาก codec จึงกินงบส่วนนี้ไปก่อน วิธีรวมงบทั้งสายอยู่ในบทความ Jitter คืออะไร

ทำไมการแปลง codec ทำให้เสียงแย่ลง

การแปลง codec (transcoding) คือการถอดเสียงจาก codec หนึ่งแล้วเข้ารหัสใหม่เป็นอีกตัวระหว่างทาง เช่น พนักงานใช้ softphone ที่คุยด้วยโคเดกตาม RFC 6716 แต่คู่สายฝั่งผู้ให้บริการใช้ G.711 หรือสาขาหนึ่งใช้ G.729 แล้วต้องต่อกับระบบที่ใช้ G.711 ผลเสียมาจาก 3 ทาง

  1. ความเสียหายบวกกัน: G.113 ระบุว่าเมื่อ codec ทำงานต่อกันหลายทอด ไม่ว่าจะเป็นตัวเดียวกันหรือต่างชนิด ให้นำค่า Ie ของแต่ละทอดมาบวกกันบนสเกลคะแนนคุณภาพ R [12] แม้แต่การแปลงระหว่าง A-law กับ µ-law ซึ่งเป็น G.711 ทั้งคู่ ก็มีค่าความเพี้ยนจากการปัดค่ากำหนดไว้ 0.5 หน่วย qdu ต่อเครื่องแปลงหนึ่งตัว เทียบกับ 1 หน่วยของการเข้ารหัสและถอดรหัส G.711 หนึ่งคู่ [12]
  2. ความหน่วงบวกกัน: ทุกทอดที่เข้ารหัสใหม่ต้องรอเก็บเฟรมใหม่ G.729 หนึ่งทอดบนเครือข่ายไอพีเพิ่ม 25 ถึง 35 มิลลิวินาทีเมื่อใส่หนึ่งเฟรมต่อแพ็กเก็ต [11]
  3. เสียงกว้างหายแล้วไม่กลับมา: ถ้าช่วงใดของเส้นทางเป็น G.711 ซึ่งสุ่มเพียง 8,000 ครั้งต่อวินาที [1] เสียงช่วงสูงที่ G.722 ส่งได้ถึง 7,000 Hz [3] จะถูกตัดไปตั้งแต่ช่วงนั้น แปลงกลับเป็น G.722 ทีหลังก็ไม่ได้คืนมา (คำอธิบายของผู้เขียนตามหลักการสุ่มสัญญาณ)

ตัวอย่างคำนวณแบบหยาบ: สมมติให้ค่าอื่นในแบบจำลองเป็นค่าตั้งต้นทั้งหมด และยังไม่นับความหน่วงกับแพ็กเก็ตหาย G.113 ระบุว่าช่องสัญญาณ G.711 มาตรฐานอยู่ที่ตำแหน่ง 93.2 บนสเกล R [12] ผู้เขียนหักค่า Ie ตามจำนวนทอด แล้วเทียบกับกลุ่มความพอใจของผู้ใช้ในรูปที่ 1 ของ G.114 [11]

เส้นทางเสียงIe รวมคะแนน R โดยประมาณกลุ่มความพอใจ
G.711 ตลอดทาง093.2ผู้ใช้พอใจมาก
มี G.729 ภาคผนวก A หนึ่งทอด1093.2 − 10 = 83.2ผู้ใช้พอใจ
G.729 สองทอด เช่น แปลงไปแล้วแปลงกลับระหว่างทาง10 + 10 = 2093.2 − 20 = 73.2ผู้ใช้บางส่วนไม่พอใจ

กลุ่มความพอใจเป็นหมวดตาม ITU-T G.109 ที่ G.114 นำมาแสดงเป็นแถบในรูปที่ 1 ขอบแถบอ่านจากกราฟ [11] ตัวเลขนี้ใช้ดูทิศทาง ไม่ใช่ผลวัดจริงของระบบคุณ แต่ชี้ให้เห็นว่าการแปลงเพิ่มหนึ่งทอดทำให้ตกได้หนึ่งกลุ่มความพอใจทั้งที่ยังไม่นับความหน่วง ความเห็นของผู้เขียนคือ ให้ออกแบบให้แปลง codec ที่จุดเดียวตรงขอบระบบ และถามผู้ให้บริการว่าในระบบของเขามีการแปลง codec ระหว่างทางหรือไม่

เลือก codec ตามงาน

ตารางนี้เป็นแนวทางของผู้เขียน ตัวเลขในตารางมาจากหัวข้อก่อนหน้า

สถานการณ์เริ่มพิจารณาเหตุผลสิ่งที่ต้องยอม
ตู้สาขาต่อ SIP trunk ที่โทรหาเบอร์ทั่วไปเป็นหลักG.711Ie เป็น 0 [12] และอุปกรณ์ 2,048 kbit/s ใช้ G.711 แบบ A-law อยู่แล้ว [13]87.2 kbit/s ต่อทิศทางที่ ptime 20 ms
สาขาที่อินเทอร์เน็ตจำกัดมาก และทุกจุดรองรับG.72931.2 kbit/s ต่อทิศทางที่ ptime 20 ms [9]Ie 10 [12] และความหน่วงจาก codec เพิ่มขึ้น [11]
โทรภายในระหว่างเครื่องที่รองรับเสียงกว้างG.722ช่วงเสียง 50 ถึง 7,000 Hz [3]ข้อดีหายเมื่อสายออกไปช่วงที่เป็น G.711
softphone หรือหน้าเว็บที่ใช้ WebRTCโคเดกตาม RFC 6716 ภายใน แล้วแปลงเป็น G.711 จุดเดียวที่ขอบWebRTC ต้องรองรับทั้งสองตัว [7]มีจุดแปลงหนึ่งจุดที่ต้องดูแล
บันทึกเสียงเพื่อตรวจคุณภาพ หรือส่งต่อให้ระบบถอดเสียงลดจำนวนทอดที่บีบอัดความเสียหายจากหลายทอดบวกกัน [12]อาจใช้แบนด์วิดท์มากขึ้น

เช็กลิสต์คำถามเรื่อง codec ก่อนต่อระบบจริง

  • รองรับ codec ใดบ้าง และเรียงลำดับความต้องการอย่างไร
  • ถ้าใช้ G.711 เป็นแบบ A-law หรือ µ-law
  • ptime ที่แนะนำคือเท่าไร
  • ในระบบของผู้ให้บริการมีการแปลง codec หรือไม่ และเกิดที่จุดไหน
  • ส่งสัญญาณกดเลข (DTMF) แบบใด อ่านเรื่องนี้ต่อในบทความ SIP Protocol คืออะไร
  • แบนด์วิดท์ขาขึ้นของสำนักงานพอสำหรับจำนวนสายพร้อมกันสูงสุดคูณค่าต่อสายในตารางหรือไม่

แหล่งข้อมูล

อ่านต่อ

ติดต่อ

เล่าโจทย์งานโทรออกของคุณ แล้วเราจะเสนอรูปแบบคู่สายเป็นลายลักษณ์อักษร

จำนวนพนักงาน ประเภทงาน และระบบที่ใช้อยู่ — เท่านี้ก็เริ่มคุยได้ ไม่มีค่าใช้จ่ายในการประเมิน