SIP arma la llamada, pero cuando por fin dices "bueno", esa palabra ya no viaja por SIP: viaja por RTP, digitalizada por un códec, dentro de paquetes UDP. En esa cadena se decide si la llamada suena a estudio de radio o a walkie-talkie descompuesto. Aquí es donde la calidad de voz se gana o se pierde.
Códecs: cómo se empaqueta la voz
Un códec convierte tu voz analógica en datos digitales, con un equilibrio entre calidad y ancho de banda. Los que verás siempre:
- G.711: sin comprimir, unos 64 kbps por llamada. Calidad de telefonía clásica, excelente, pero "pesado" en ancho de banda. Es el estándar de oro cuando la red da de sobra.
- G.729: comprimido, alrededor de 8 kbps. Ocho veces más liviano, con una calidad apenas menor —el favorito cuando el ancho de banda cuesta o escasea—.
- Opus: el moderno y adaptativo. Ajusta su tasa según la red y ofrece voz en HD cuando hay condiciones. Es hacia donde va el mundo.
La decisión de códec es un trade-off directo: más calidad cuesta más ancho de banda, y multiplicado por muchas llamadas simultáneas, la elección define cuánta red necesitas.
RTP: el que de verdad lleva la voz
El audio empaquetado viaja por RTP (Real-time Transport Protocol), diseñado para medios en tiempo real. Cada paquete RTP lleva un número de secuencia y una marca de tiempo, para que el receptor pueda reordenar lo que llegó desordenado y reproducirlo con el ritmo correcto. RTP es el camión que transporta la voz; SIP solo dijo por dónde.
Por qué la voz va por UDP y no por TCP
Aquí una decisión que confunde a quien viene de las redes de datos: la voz viaja sobre UDP, el protocolo que dispara paquetes sin garantizar que lleguen. ¿Por qué renunciar a la fiabilidad de TCP? Porque en tiempo real, un paquete retransmitido llega tarde e inútil: para cuando TCP se diera cuenta de que se perdió y lo reenviara, ese fragmento de voz ya pasó de moda. Es mejor perder un pedacito imperceptible que congelar la llamada esperando una retransmisión. Es exactamente el trade-off que explicamos en TCP vs. UDP: la voz prefiere la puntualidad a la perfección.
Jitter: el enemigo que duele más que la latencia
Este es el concepto que más gente confunde. La latencia es el retardo total de un paquete de un extremo a otro; molesta cuando es alta (a partir de unos 150 ms empiezas a pisarte al hablar), pero es constante. El jitter es otra cosa: es la variación de ese retardo de un paquete al siguiente. Un paquete llega en 20 ms, el próximo en 60, el siguiente en 15. Y el jitter duele más, porque desincroniza el audio: los paquetes llegan a destiempo, en desorden, y la voz se corta, se robotiza o se entrecorta. Una latencia alta pero estable es tolerable; un jitter moderado arruina la llamada.
El jitter buffer: absorber el desorden
La defensa contra el jitter es el jitter buffer: un pequeño colchón que retiene los paquetes unos milisegundos antes de reproducirlos, para reordenarlos y entregarlos a un ritmo parejo aunque hayan llegado a los tirones. Tiene su propio trade-off: un buffer más grande absorbe más jitter, pero añade latencia. Por eso se calibra —lo justo para suavizar el desorden sin retrasar tanto que la conversación se vuelva incómoda—. Todo esto se enmarca en la calidad de servicio (QoS) que prioriza la voz en la red.
La idea que se queda
La voz se digitaliza con un códec (G.711 pesado y nítido, G.729 liviano, Opus adaptativo), viaja por RTP sobre UDP —porque una retransmisión llegaría tarde—, y su peor enemigo no es la latencia sino el jitter, la variación del retardo, que se domestica con un jitter buffer bien calibrado. Es el músculo de la telefonía: lo que hace que una llamada suene bien de verdad.