不完全是。 SIP 协议本身并不限制必须是 8k 音频，但传统电话系统（PSTN/VoIP）里最常见的 codec 是 8k，所以现在的链路才是：

16k (模型输入)
↓
8k (SIP/RTP)
↓
LLM
↓
24k (模型输出)
↓
8k (SIP/RTP)

核心原因不是 SIP，而是 codec 选择。

一、SIP 是否只支持 8k

答案是：SIP 不限制采样率。

SIP 只是信令协议，真正决定音频格式的是 SDP 里协商的 codec。

例如 SDP 会包含类似内容：

m=audio 49170 RTP/AVP 0 8 96
a=rtpmap:0 PCMU/8000
a=rtpmap:8 PCMA/8000
a=rtpmap:96 opus/48000/2

这里可以看到：

所以 SIP 可以支持：

• 8k
• 16k
• 32k
• 48k

甚至更高。

二、为什么大多数 SIP 系统是 8k

原因是 历史电话网络限制。

传统 PSTN 电话网络：

300Hz - 3400Hz

对应采样率：

8kHz

所以诞生了经典 codec：

这些 codec 几乎所有 SIP 设备都支持。

因此：

SIP电话 = 默认 8k

三、如果想避免 16k→8k→24k→8k

理论上可以。

只要 SIP 支持更高 codec。

例如：

方案1：G722（推荐）

G722 / 16000 Hz

链路变成：

16k microphone
↓
16k SIP RTP (G722)
↓
16k LLM
↓
24k LLM TTS
↓
16k RTP

这样只需要：

24k → 16k

一次 resample。

优点：

• 音质明显提升
• 带宽只增加一点
• SIP 设备普遍支持

很多企业电话都支持 G722。

方案2：Opus

Opus / 48000

链路：

48k RTP
↓
LLM
↓
48k RTP

几乎不用 resample。

但问题：

很多 SIP 电话 不支持 Opus。

四、为什么的系统目前必须 8k

当前代码里：

G711 解码

说明 SIP 协商的是：

PCMU
PCMA

也就是：

G711 = 8k

所以 MediaProcessor 里拿到的是：

8000 Hz PCM16

这是 RTP server 已经决定好的。

五、Realtime 模型为什么要 16k / 24k

因为 AI 模型训练数据是 宽带语音。

模型一般：

ASR 输入 16k
TTS 输出 24k

所以必须做：

8k → 16k
24k → 8k

六、的当前链路（真实情况）

现在系统实际是：

电话端
↓
G711 RTP
↓
8k PCM
↓
RealtimeMediaProcessor
↓
16k PCM
↓
Qwen Realtime
↓
24k PCM
↓
RealtimeMediaProcessor
↓
8k PCM
↓
G711 RTP
↓
电话端

这是 典型 VoIP + LLM 架构。

七、行业真实系统也是这么做的

例如：

全部都有 resample。

八、是否需要担心音质

一般不用。

因为：

• 电话网络本身就是 8k
• 用户听到的就是电话音质

模型内部 16k 只是为了：

• 更好的语音识别
• 更自然的 TTS

九、最佳实践

建议保持：

SIP = 8k
LLM = 16k
TTS = 24k

这是最稳定的。

如果控制 SIP 终端设备，可以升级到：

G722 (16k)

那音质会明显提升。

如果愿意，我可以再给画一张 完整的 AI 电话系统架构图（SIP + RTP + LLM + Realtime），那样会非常清晰。