H.323与SIP有什么区别？体系结构、信令流程与媒体协商对比

H.323和SIP都可以用于IP网络中的实时语音、视频和多媒体通信，但两者并不是同一种架构换了不同协议名称。H.323由ITU-T制定，更接近一套完整的分组多媒体通信标准体系；SIP由IETF制定，核心职责是建立、修改和终止会话，并与SDP、RTP等其他协议配合完成媒体协商和传输。

在实际系统中，两种体系都可以完成终端注册、呼叫建立、多媒体会话和多方会议，只是网元组织、信令表达和业务扩展方式不同。现在企业IP PBX、SIP Trunk、软电话、IMS和大量语音网关更多采用SIP，而H.323仍可见于部分视频会议、存量多媒体系统和行业设备。

因此，比较H.323和SIP时，更有意义的是看它们怎样组织系统、怎样建立一次呼叫、怎样协商媒体，以及会议和补充业务如何实现，而不是简单判断哪个协议“先进”或“落后”。

两种协议体系分别解决哪些通信问题

H.323不是一个单独的呼叫信令协议，而是一套面向分组网络实时多媒体通信的标准体系。典型H.323系统会涉及终端、Gateway、Gatekeeper和MCU等逻辑实体，并配合H.225.0、H.245以及其他相关标准完成注册、呼叫建立、能力交换和多点通信。

其中，H.225.0用于呼叫信令和RAS等过程，H.245负责终端能力交换、逻辑信道控制以及媒体相关控制。实际网络是否使用Gatekeeper、MCU，以及具体采用哪些可选机制，要看系统架构和设备配置。

SIP（Session Initiation Protocol）则更加聚焦会话控制。终端通过INVITE、ACK、BYE等请求和响应建立、维护或结束会话，媒体参数通常通过SDP描述，再由RTP/RTCP等机制承载实际实时音视频。

SIP终端通常称为UA（User Agent）。一个UA同时具备UAC和UAS能力：发起某个请求时承担UAC角色，接收并响应请求时又可能承担UAS角色。因此，SIP虽然使用请求/响应模型，但不能简单描述成“终端固定作为客户端、服务器固定作为服务端”的传统客户—服务器关系。

H.323和SIP的系统结构有什么差异

H.323对多媒体通信系统中的角色定义比较完整。典型结构中可以看到Terminal、Gateway、Gatekeeper和MCU等逻辑实体。

Terminal是H.323通信终端，可以发起和接收音频、视频或数据会话；Gateway用于H.323网络与其他通信系统之间的互通；Gatekeeper可以承担地址转换、接入控制、带宽管理和呼叫路由等功能；MCU用于组织多点会议中的多点控制和媒体处理。

SIP体系则通常由UA、Proxy、Registrar、Location Service以及实际产品中的B2BUA、SBC、应用服务器等共同构成。

Registrar负责处理注册信息，Proxy根据路由逻辑转发SIP请求，Location Service保存或提供用户当前位置相关信息。实际通信平台可能把多个逻辑角色集成到同一软件或服务器中。

这两套体系之间存在部分功能对应，但不能机械地一一画等号。例如H.323 Gatekeeper的职责可能同时涉及地址、准入和带宽管理，而SIP网络中的这些能力可以分散在Registrar、Proxy、Location Service、B2BUA或其他网络节点中。

一次呼叫在H.323和SIP中怎样建立

H.323呼叫建立可能涉及RAS、H.225.0呼叫信令和H.245媒体控制，但并不是每次呼叫都必须机械地按照三个完全独立的长流程顺序执行。

如果系统使用Gatekeeper，终端可以先通过RAS完成注册、接入许可和地址相关处理。随后通过H.225.0建立呼叫关系，再利用H.245交换终端能力并打开相应媒体逻辑信道。

H.323后续版本还引入Fast Connect、H.245 Tunneling等机制，用于减少独立信令交互和呼叫建立时间。因此，原文章直接用“必须经过三条信令信道，所以H.323呼叫建立很慢”来概括所有实现并不准确。

SIP的一次典型呼叫则可以简化为：

INVITE + SDP → 临时响应 → 200 OK + SDP → ACK → 媒体通信

主叫UA发送INVITE，请求建立会话，并可以同时携带SDP媒体描述；被叫应答后返回200 OK，并完成双方媒体参数协商，主叫再发送ACK确认。

实际网络中，INVITE还可能经过一个或多个Proxy、B2BUA或SBC，并出现鉴权、DNS查询、NAT处理、呼叫转移等其他过程。因此，也不适合再把SIP固定描述为“只需要1.5个RTT即可建立所有呼叫”。

两种协议的核心差别更适合理解成：H.323把呼叫和多媒体控制拆分在一套较完整的标准体系中，而SIP通过相对独立的会话信令再组合SDP、RTP等协议形成通信系统。

媒体能力怎样协商，真正的音视频由谁传输

SIP和H.323都是通信控制体系，本身不应与实际音视频媒体混为一谈。

在H.323中，H.245承担终端能力交换和逻辑信道控制。例如双方可以通过H.245交换支持的音频、视频编码方式，并确定需要建立哪些媒体信道。

SIP系统中，媒体参数通常利用SDP描述。会话双方可以通过Offer/Answer方式交换自己支持的媒体类型、编码格式、IP地址、端口及其他会话参数。

所以常有人把：

H.245 ↔ SDP

作为功能上的类比，但两者并不是完全等价的协议。H.245还承担逻辑信道控制等更完整的多媒体控制能力，而SDP主要负责描述媒体会话参数。

双方完成媒体能力协商以后，实时音频和视频通常可以通过RTP传输，并利用RTCP提供相应的媒体传输统计和控制信息。

因此：

SIP负责建立和控制会话，并不直接承载语音媒体；H.323中的H.225/H.245也不等于实际的音视频数据。

这一区分在排障时尤其重要。呼叫信令已经正常、终端已经振铃，并不能自动证明RTP媒体路径一定正常。NAT、防火墙、媒体地址和编码兼容等问题仍然可能造成无声、单通或视频无法显示。

会议、呼叫转移和补充业务怎样实现

原文把H.323描述成“只能依靠MCU集中会议”，同时把SIP描述成天然使用分布式组播会议，这种区分过于简单。

H.323标准体系本身支持集中式、分散式以及混合式多点会议。MC（Multipoint Controller）负责多点控制和能力协商，MP（Multipoint Processor）可以承担媒体混合、切换或其他处理；这些功能可以组合在MCU中，也可以按照具体架构分布在不同节点。

SIP核心协议并不直接规定完整多人会议媒体架构。SIP会议通常由Focus维护与各参会者的信令关系，再配合Mixer或其他媒体处理组件组织会议。媒体处理可以集中，也可以按照系统设计采用分布式或级联方式。

因此，两种体系都能够实现多方会议，真正需要比较的是控制模型、媒体服务器架构以及终端兼容能力，而不是简单判断“一个集中、一个分布”。

补充业务也是类似情况。

H.323体系包含H.450系列等补充业务标准，用于处理呼叫转移、呼叫保持等通信业务。

SIP则通过不同SIP方法和扩展标准实现相关能力。例如呼叫转移通常采用REFER机制，使被转移方重新向目标地址发起INVITE，而不是在BYE消息中增加Contact字段完成转移。

现代SIP系统中的保持、转接、代接、BLF、会议和其他业务，还可能由IP PBX、应用服务器或B2BUA共同参与。是否具备某项业务，不能只根据“设备支持SIP”几个字判断。

今天应该怎样理解H.323与SIP的应用边界

H.323和SIP都已经发展多年，不适合再使用“一个成熟、另一个尚不成熟”的早期判断。ITU-T目前仍维护H.323标准，SIP也已经形成成熟的IETF标准和大量扩展协议。

从当前企业通信环境看，SIP的使用范围更加广泛。IP PBX、SIP服务器、SIP Trunk、软电话、IP电话、IMS接入以及大量语音网关，都可以看到SIP。

H.323则更多保留在部分传统视频会议设备、存量多媒体通信平台以及已经长期运行的行业系统中。如果这些设备运行稳定，也没有必要仅因为SIP目前更常见就强制更换整个系统。

需要新建通信系统时，协议选择通常要看现有设备和互通对象：

• 现有电话系统和运营商接口是否主要采用SIP；
• 是否需要继续接入H.323视频会议或存量终端；
• 双方能够支持哪些音视频编码；
• 是否需要SIP Trunk、IMS、SBC等现代网络能力；
• 是否存在必须继续兼容的传统H.323会议体系。

如果系统一端使用SIP、另一端使用H.323，就需要互通设备或IWF在两个协议体系之间完成地址、信令和媒体能力的转换。

例如：

SIP INVITE / SDP ↔ IWF / Gateway ↔ H.225 / H.245

这种互通不仅是简单把消息格式改一下，还可能涉及号码映射、状态码转换、媒体能力对应以及呼叫释放过程。具体的SIP与H.323互通机制，可以继续参考SIP和H.323互通。

如果需要进一步比较两种协议在呼叫建立、H.225/H.245与SIP/SDP信令过程中的具体区别，则可以把相关内容放在H.323与SIP信令比较专题中。本页重点仍然是两套通信体系在架构、会话控制、媒体协商和当前应用上的整体差异。