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