この記事は筆者オンリーのAdvent Calendar 202510日目の記事です。
VoIP（IP電話）を触り始めると、まず出てくるのが SIP と SIPフォン（ソフトフォン） です。
この記事では、ZoiperのようなSIPソフトフォンを例にしつつ、SIPフォンが何をしていて、通話がどう成立するのか を、実装・検証に役立つ観点でまとめます。
SIPフォン（ソフトフォン）とは？
SIPフォンは、SIP（Session Initiation Protocol）を使って通話の開始・終了などの制御を行う端末（アプリ）です。
スマホ/PCアプリとして動くものは特に ソフトフォン と呼ばれます。
例：Zoiper / Linphone / MicroSIP / Bria など
できること：発信、着信、保留、転送、DTMF、録音…など（アプリ次第）
ポイントはこれです：
SIPは「通話の制御（シグナリング）」
音声データ自体は主にRTP（Real-time Transport Protocol）で流れる
SIPで通話が成立するまでの流れ（超ざっくり）
通話は大きく 2つの経路 で動きます。
- シグナリング（SIP）
「誰に電話するか」
「通話を開始していいか」
「どのIP/ポートで音声を送るか」
「どのコーデックで話すか」
を決める通信です。
代表的なSIPメッセージ：
REGISTER：この端末はここに居ます（着信先の登録）
INVITE：通話したいです（発信）
BYE：切ります（終話）
ACK：確定しました（確立）
OPTIONS：生存確認・機能確認など
- メディア（RTP）
実際の音声（パケット）が流れる経路
通常、UDPで流れることが多いです（低遅延優先）
SIPとSDP：音声の「取り決め」はSDPでやる
INVITE などのSIPメッセージには、しばしば SDP（Session Description Protocol） が含まれます。
SDPには例えば以下が入ります：
音声を送る宛先IP/ポート
利用コーデック（G.711 / Opus / G.729など）
メディアの種類（audio/video）
方向（sendrecv / sendonly / recvonly など）
つまり、
SIP：通話開始の合図
SDP：音声の送り方の合意
RTP：実際の音声
という役割分担です。
典型的な構成：SIPサーバ（PBX）とソフトフォン
現実的には、SIPフォン単体で完結するより、真ん中に SIPサーバ（PBX） がいることが多いです。
よくある構成要素：
UA（User Agent）：ZoiperなどのSIPフォン
Registrar：REGISTERを受けて「どこに居るか」を管理
Proxy：INVITEなどを中継して呼制御
PBX：内線・外線・IVR・録音などの機能を持つ（例：Asterisk / FreeSWITCH）
SIPアカウント設定でよく出てくる項目
Zoiper等でアカウントを作るときに出る典型項目です。
SIP server / Domain：例 sip.example.com
Username / Auth user：認証に使うID
Password：認証パスワード
Port：UDP 5060（典型）、TLSは5061など
Transport：UDP / TCP / TLS
Outbound proxy：指定が必要な環境もある
※サービスやPBXの設定によって表記が微妙に違いますが、「どこにREGISTER/INVITEを投げるか」「何で認証するか」が本質です。
コーデックの話（音が出ない原因にもなる）
SIP通話で「つながるけど無音」「片通話」になるとき、コーデック不一致 が原因のことがあります。
よくあるコーデック例：
G.711 (PCMU/PCMA)：昔からの定番。軽いが帯域はそこそこ使う
Opus：高音質・可変・低遅延寄り（使える環境なら強い）
G.729：帯域は小さいがライセンス事情が絡むことも
検証ではまず G.711を許可 しておくと切り分けがラクなことが多いです。
NAT越え（ここが一番ハマりやすい）
ソフトフォンが家庭/社内LANなどNAT配下にいると、SIP/RTPが外から戻って来られずハマります。
代表的な対策・キーワード：
STUN：自分のグローバル側アドレス/ポートを知る
TURN：どうしてもダメなとき中継する
ICE：STUN/TURNを組み合わせて経路選択する仕組み
SIP ALG：ルータの「親切機能」だが、壊すことも多い（無効化推奨のケース多い）
症状例：
発信はできるが着信できない
つながるが片方の音声だけ聞こえない（片通話）
セキュリティ：SIPも平文だと覗ける
検証用途ではUDP 5060で平文SIPを使うこともありますが、本番や外部接続では注意。
SIP over TLS：シグナリング暗号化
SRTP：音声（RTP）の暗号化
認証情報の保護、盗聴対策、なりすまし対策につながります
デバッグの基本（困ったらここを見る）
ソフトフォンのログ：SIPメッセージの送受信が見えることが多い
tcpdump / Wireshark：
sip フィルタでINVITE/REGISTERを見る
rtp で音声が飛んでいるか見る
切り分け順（おすすめ）
REGISTERできているか
INVITE→200 OK→ACK まで行くか（通話確立）
RTPが双方向に流れているか
コーデック一致しているか
NAT / ファイアウォール疑う
まとめ：SIPフォン理解の最短ルート
SIPは「通話の開始/終了などの制御」
音声はRTPで流れる
SDPで「どのIP/ポートに」「どのコーデックで」を合意
実運用はPBX（Asterisk等）を挟むことが多い
ハマりどころはNATとコーデック