Qualidade de voz em VoIP: MOS, MOS-LQO e ViSQOL na prática

O que é MOS em VoIP?

MOS em VoIP é a nota média de opinião, Mean Opinion Score, da qualidade de uma chamada, numa escala de 1 a 5. A nota nasceu de testes em que ouvintes davam notas a amostras de áudio, pelos métodos da ITU-T P.800. Hoje quase toda nota MOS é calculada por um modelo, que tenta prever o que esses ouvintes diriam.

Quem procura por “MOS score” encontra a mesma coisa: o S já é de score, e o termo é só a forma como a sigla circula em inglês. O que muda de uma ferramenta para outra é o que entra no cálculo. Um PABX pode mostrar 4,2 para uma chamada que um modelo de escuta avalia em 3,1, e os dois números podem estar certos, porque medem coisas diferentes: um estima a qualidade a partir da rede, o outro ouve o áudio que chegou. Antes de comparar duas notas, é preciso saber de que tipo cada uma é.

Como é a escala MOS da ITU-T P.800?

A escala MOS da ITU-T P.800 tem cinco categorias, de 5 (excelente) a 1 (ruim). No método de classificação por categoria absoluta, cada ouvinte escuta uma amostra e escolhe uma categoria; a média das notas de todos os ouvintes é o MOS daquela amostra. É uma média de opiniões, não uma medida física do sinal.

Nota	Categoria	Na P.800, em inglês
5	Excelente	Excellent
4	Boa	Good
3	Razoável	Fair
2	Pobre	Poor
1	Ruim	Bad

Duas consequências práticas. Primeiro, por ser uma média, a nota raramente chega aos extremos: basta parte dos ouvintes não dar 5 para a média ficar abaixo disso, mesmo com áudio sem defeito. Segundo, cada modelo que prevê o MOS tem a sua própria faixa útil. O MOS estimado pelo modelo E, por exemplo, para em 4,5. Por isso um “4,3” de uma ferramenta e um “4,3” de outra não são automaticamente a mesma qualidade.

O que significam MOS-LQO, MOS-CQE e as outras siglas?

As siglas MOS-LQO, MOS-CQE e as demais vêm da ITU-T P.800.1, que dá nome a cada tipo de MOS por duas perguntas: o que foi avaliado, a escuta ou a conversação, e como a nota foi obtida, com ouvintes, com um modelo sobre o sinal ou com um modelo sobre parâmetros da rede. Cada combinação tem a sua sigla.

	Subjetiva: ouvintes	Objetiva: modelo sobre o áudio	Estimada: modelo sobre parâmetros
Qualidade de escuta (LQ)	MOS-LQS	MOS-LQO	MOS-LQE
Qualidade de conversação (CQ)	MOS-CQS	MOS-CQO	MOS-CQE

A diferença entre escuta e conversação importa mais do que parece. A qualidade de escuta avalia o áudio num sentido: se a voz chegou clara. Ela não vê o atraso, porque um ouvinte que só escuta não percebe se a resposta demorou. A qualidade de conversação inclui o que atrapalha uma conversa de verdade, como atraso e eco. Um MOS-LQO alto com 500 ms de atraso é possível: a voz soa limpa e a conversa é ruim.

A saída do modelo E da ITU-T G.107 é um MOS-CQE: uma estimativa de qualidade de conversação, feita a partir de parâmetros. Uma medição como a do ViSQOL ou da P.863 é um MOS-LQO: qualidade de escuta, calculada sobre o áudio. Chamar as duas só de “MOS” é a origem da maior parte das discussões sobre nota de voz.

Qual a diferença entre MOS medido e MOS estimado?

A diferença entre MOS medido e MOS estimado está no que entra no cálculo. O MOS medido, um MOS-LQO, vem do áudio que a chamada recebeu, comparado com a gravação esperada. O MOS estimado, um MOS-CQE, vem de números da rede, como perda de pacotes, jitter e atraso, aplicados a um modelo que nunca ouve a chamada.

MOS medido: o áudio contra a referência

Os modelos com referência recebem dois sinais, o de referência e o degradado, e calculam o quanto o segundo se afastou do primeiro de um jeito que um ouvinte notaria. Os mais citados:

• P.863 (POLQA): a recomendação da ITU-T para qualidade de escuta objetiva, que devolve um MOS-LQO.
• P.862 (PESQ): a recomendação anterior, retirada pela ITU-T em 5 de janeiro de 2024 e substituída pela P.863. Ainda aparece em equipamentos e relatórios antigos. Veja POLQA e PESQ.
• ViSQOL: um modelo aberto de qualidade perceptual publicado pelo Google. No modo de fala, ele trabalha com áudio a 16 kHz e devolve um MOS-LQO de 1 a 5.

Como ouvem o áudio, esses modelos veem o que a rede não informa: voz cortada na origem, ruído, conversão de codec malfeita, o efeito real da perda de pacotes depois que o telefone tentou disfarçá-la, e até uma mensagem errada no lugar da saudação, porque a comparação com a referência não passa.

MOS estimado: o modelo E e o fator R

O modelo E da ITU-T G.107 é uma ferramenta de planejamento de transmissão. Ele soma as degradações de uma rota num índice, o fator R:

R = Ro − Is − Id − Ie,eff + A

Ro é a relação sinal-ruído básica, Is as degradações simultâneas ao sinal de voz, Id as degradações causadas pelo atraso e pelo eco, Ie,eff a degradação do equipamento, que inclui o codec e a perda de pacotes, e A o fator de vantagem, a tolerância do usuário em troca de mobilidade, por exemplo. Com todos os valores padrão da G.107, R ≈ 93,2.

A G.107 converte R em MOS-CQE por uma fórmula, válida para R entre 0 e 100: MOS = 1 + 0,035 × R + R × (R − 60) × (100 − R) × 7 × 10⁻⁶. Para R a partir de 100, o MOS-CQE é 4,5, o máximo. Para o R padrão: 1 + 0,035 × 93,2 + 93,2 × 33,2 × 6,8 × 7 × 10⁻⁶ = 1 + 3,262 + 0,147 ≈ 4,41.

Fator R	MOS-CQE
100 ou mais	4,50
93,2 (valores padrão)	4,41
90	4,34
80	4,03
70	3,60
60	3,10
50	2,58

Repare que a nota máxima de uma rota perfeita, pelo modelo E, fica em 4,41 com os valores padrão. Um equipamento que mostra um MOS de 4,4 para todas as chamadas de uma rede sem perda está mostrando o teto do modelo, não uma qualidade medida.

Quando usar cada um

	MOS-LQO medido	MOS-CQE estimado
Entrada	O áudio recebido e a gravação de referência	Perda, jitter, atraso e o codec da rota
Exige referência	Sim	Não
Vê o atraso	Não: é qualidade de escuta	Sim, pelo termo Id
Vê áudio cortado na origem ou mensagem errada	Sim	Não
Bom para	Saber se a voz chegou clara a quem ligou	Planejar uma rota e acompanhar a rede

As duas têm lugar. Uma estimativa de rede é barata e serve para olhar cada chamada da central. Uma chamada escutada diz se a voz chegou.

Que nota MOS é boa em VoIP?

Uma nota MOS boa em VoIP, num MOS-LQO medido, fica perto de 4: a voz soa clara e ninguém precisa se esforçar para entender. Abaixo de 3, as pessoas começam a reclamar. Os números valem para a qualidade de escuta medida; um MOS-CQE estimado usa outra conta e não deve ser comparado com eles diretamente.

A tabela descreve, de forma aproximada, o que se ouve em cada faixa de MOS-LQO, e como o Monitor lê cada faixa com os limites padrão:

MOS-LQO	O que se ouve	Leitura no Monitor
4,0 ou mais	Voz clara, sem esforço; as diferenças só aparecem lado a lado com a referência	Saudável
De 3,8 a 4,0	Clara, com alguma perda de nitidez perceptível para quem presta atenção	Saudável
De 3,0 a 3,8	Inteligível, com cortes curtos, chiado ou voz metálica; a conversa exige atenção	Em operação, com a nota marcada abaixo do ideal
De 2,0 a 3,0	Palavras perdidas e pedidos de repetição; é a faixa das reclamações	Degradado
Abaixo de 2,0	Conversa difícil ou impossível	Degradado

O limite certo depende do uso. Uma URA que só toca uma saudação tolera menos degradação do que parece, porque o cliente não pode pedir para repetir; um tronco interno entre filiais pode viver com uma nota um pouco menor. Por isso os limites do Monitor são ajustados por circuito.

Quanto jitter é aceitável?

O jitter aceitável é o que o buffer de jitter do telefone ou do PABX consegue absorver sem descartar pacotes e sem somar atraso demais. As recomendações citadas aqui não fixam um número único: o mesmo jitter que um buffer grande absorve sem perda vira picote num buffer pequeno, e o buffer grande cobra o preço em atraso.

Jitter é a variação do atraso entre um pacote e o seguinte. Os pacotes de voz saem em intervalos regulares, por exemplo um a cada 20 ms, e chegam em intervalos irregulares. O buffer de jitter segura os pacotes por alguns milissegundos e os entrega no ritmo certo. Um pacote que chega depois do tempo do buffer é descartado, e para quem ouve isso é igual a um pacote perdido.

A RFC 3550 define como o RTP calcula o jitter entre chegadas: a cada pacote, a estimativa anda 1/16 da diferença entre a variação medida e a estimativa anterior, J = J + (|D| − J) ÷ 16. Esse é o valor que os relatórios RTCP trazem e que muitos equipamentos mostram. Ele é uma média suavizada: picos curtos de jitter, que são os que estouram o buffer, quase não aparecem nele.

A conta que importa é a do atraso total. Um exemplo, com valores ilustrativos: 40 ms de rede, 20 ms de empacotamento e um buffer de jitter de 60 ms somam 40 + 20 + 60 = 120 ms num sentido. Dobrar o buffer para absorver mais jitter leva o total para 180 ms, acima da faixa praticamente transparente da G.114. Um MOS-LQO medido mostra o resultado dessa troca no áudio; o número de jitter sozinho não mostra.

No Monitor, o jitter do link de internet de cada local é medido pelo agente de circuito de dados, junto com latência, perda de pacotes, tempo de DNS e velocidade.

Quanta perda de pacotes a voz aguenta?

A perda de pacotes que a voz aguenta depende do codec, da capacidade do telefone de disfarçar o pacote que falta e do jeito como a perda acontece. Perda espalhada, um pacote aqui e outro ali, é disfarçada melhor do que perda em rajadas, quando vários pacotes seguidos somem e uma sílaba inteira desaparece.

O modelo E da G.107 traduz isso no termo Ie,eff, a degradação do equipamento com perda: Ie,eff = Ie + (95 − Ie) × Ppl ÷ (Ppl ÷ BurstR + Bpl). Ie é a degradação do codec sem perda, Ppl a porcentagem de pacotes perdidos, Bpl a robustez do codec à perda e BurstR o quanto a perda é concentrada em rajadas. Quanto maior BurstR, maior a degradação para a mesma porcentagem de perda de pacotes. A fórmula deixa claro que a mesma perda pesa diferente em codecs diferentes, e por isso uma regra única de “perda aceitável” engana.

Uma medição com referência evita a discussão: ela ouve o resultado depois do disfarce, do buffer e do codec, e dá a nota do que chegou. A escolha do codec de voz também conta: cada conversão de codec no caminho degrada o áudio um pouco, e um codec de taxa baixa começa com uma nota menor antes de qualquer perda.

Quanto atraso é aceitável numa chamada VoIP?

O atraso aceitável numa chamada VoIP, pela ITU-T G.114, é de até 400 ms num sentido para fins de planejamento de rede. Abaixo de 150 ms, o atraso é praticamente transparente para a maior parte das aplicações. Entre os dois valores, a conversa funciona, mas os interlocutores começam a falar ao mesmo tempo e a esperar a resposta.

O atraso não estraga o som, estraga a conversa. A voz chega limpa e atrasada. Por isso um MOS-LQO, que é qualidade de escuta, não vê o atraso, e o modelo E, que estima qualidade de conversação, vê, pelo termo Id. O atraso também torna o eco mais incômodo: um eco que chega rápido se confunde com a própria voz, e um que chega tarde é ouvido como uma segunda voz.

As parcelas do atraso num sentido, para fazer a conta da sua rota:

• empacotamento: o tempo de áudio em cada pacote, por exemplo 20 ms;
• processamento do codec nos dois lados;
• rede: o tempo de trânsito, que o agente de circuito de dados mede como latência no link do local;
• buffer de jitter: o tempo que o receptor segura os pacotes;
• conversões no caminho: cada SBC ou PABX que decodifica e codifica de novo soma o seu tempo.

Por que a gravação de referência importa?

A gravação de referência importa porque um modelo com referência compara dois sinais: o que deveria ter sido ouvido e o que foi ouvido. Sem a referência, não há com o que comparar, e a nota vira uma estimativa. Com ela, a mesma comparação que mede a qualidade também mostra quando a mensagem errada atendeu.

A referência precisa ser o que de fato deveria tocar: a saudação da URA, gravada limpa, ou um tom de teste conhecido. Se a URA troca a saudação de propósito, a referência também precisa mudar, ou toda chamada passa a parecer errada. No Monitor, a 2N5 grava a referência de cada número na implantação. O áudio guardado é o da gravação ou da URA, nunca a voz de uma pessoa, e é excluído após 90 dias.

Como medir a qualidade de voz de um tronco SIP, 0800 ou URA?

A qualidade de voz de um tronco SIP, de um 0800 ou de uma URA se mede ligando para o número e escutando o áudio que chega, comparado com a referência. Uma chamada real vê o caminho inteiro, operadora, tronco, PABX e URA, que nenhum equipamento sozinho vê.

É o que o Monitor faz em cada chamada de teste de cada circuito de voz, o tronco SIP, 0800 ou número de atendimento monitorado. A 2N5 grava o áudio que a chamada recebeu e o compara com a gravação esperada usando o ViSQOL no modo de fala, que devolve um MOS-LQO. A qualidade é medida no áudio; o Monitor não estima a nota pela rede.

Com os limites padrão, o circuito está saudável com MOS-LQO a partir de 3,8 e degradado abaixo de 3,0; a 2N5 ajusta os limites com você, por circuito, na implantação. Uma nota abaixo do limite marca a chamada de teste como degradada, e ela passa pelas mesmas novas tentativas de qualquer falha. Se continuar, abre um incidente de qualidade, a escada de escalonamento é avisada, e os contatos do cliente também ficam sabendo do problema e da solução.

A nota de cada chamada aparece na página do circuito, com as linhas de limite, no painel ao lado do estado do circuito e nos relatórios de SLA. Veja os detalhes em qualidade de voz medida.

Como agir quando a nota MOS cai?

Quando a nota MOS cai, o primeiro passo é confirmar que a queda se repete e ver o alcance: um circuito só, vários do mesmo local ou vários da mesma operadora. O alcance diz onde procurar, e a evidência de cada chamada é o que leva o problema para quem pode resolvê-lo.

O que se vê	Causa provável	O que conferir
Nota baixa em todos os circuitos de um mesmo local	Link de internet do local: perda, jitter ou congestionamento	Latência, perda e jitter do circuito de dados no mesmo horário
Nota baixa só nos circuitos de uma operadora	Rota ou codec da operadora	Codec negociado e evidências de cada chamada
Nota baixa em horários de pico	Link de saída saturado, sem prioridade para a voz	Uso do link e priorização do tráfego de voz
Nota baixa constante, sem perda na rede	Codec de taxa baixa, conversões de codec, nível ou ruído na origem	Codecs do caminho e a própria gravação na URA
Nota muito baixa de repente, com a chamada completa	Mensagem diferente da referência ou áudio de um lado só	O áudio da chamada e o guia de ligação muda

Na prática, a sequência:

1. Confirme. Uma nota baixa isolada não é tendência. No Monitor, a chamada degradada é repetida antes de qualquer incidente.
2. Veja o alcance. Compare os circuitos do mesmo local e os da mesma operadora no mesmo horário.
3. Olhe o link. Se o local tem um circuito de dados monitorado, os gráficos das últimas 100 horas mostram latência, perda e jitter no momento da queda.
4. Confira codecs e conversões. Cada decodificação e nova codificação no caminho custa nota. Veja se a chamada passa por conversões que poderiam ser evitadas.
5. Confira a prioridade da voz. Num link compartilhado, a voz precisa de prioridade sobre o resto do tráfego, sobretudo no sentido de envio, que costuma ser o mais estreito.
6. Leve à operadora com evidência. Horário de cada chamada, número chamado, nota de cada uma e a última chamada saudável.

O que pedir num contrato de qualidade de voz?

Num contrato de qualidade de voz, peça que a nota seja definida pelo nome completo: qual MOS, pela terminologia da P.800.1, qual modelo e versão, contra qual referência, medido onde e com que frequência. Sem isso, “MOS mínimo de 4” vale tanto para uma estimativa de rede quanto para uma medição de escuta, que dão números diferentes.

Os itens que tornam a meta verificável:

1. O tipo de MOS: MOS-LQO medido ou MOS-CQE estimado.
2. O modelo: P.863, ViSQOL ou outro, e a versão; a P.862 foi retirada e não deve ser a base de um contrato novo.
3. A referência: qual gravação ou tom é comparado.
4. O ponto de medição: uma chamada de fora, como a de um cliente, ou um equipamento dentro da rede.
5. A regra de violação: quantas notas abaixo do limite, seguidas, contam como degradação, e se a degradação entra na conta do SLA como indisponibilidade parcial ou como meta separada. O guia de SLA de telefonia mostra como cada escolha muda a conta.

Perguntas frequentes

Qual é um MOS bom em VoIP?

Depende de qual MOS. Num MOS-LQO medido, perto de 4 a voz soa clara, e abaixo de 3 as pessoas começam a reclamar. No Monitor, o padrão é saudável a partir de 3,8 e degradado abaixo de 3,0. Num MOS estimado pelo modelo E, o máximo é 4,5, e os valores não são comparáveis com uma nota medida.

O que é MOS-LQO?

É a nota de qualidade de escuta, de 1 a 5, calculada por um modelo objetivo a partir do áudio recebido. A sigla vem da ITU-T P.800.1: MOS, nota média de opinião; LQ, qualidade de escuta; O, objetiva. Modelos como o ViSQOL e a P.863 (POLQA) comparam o áudio recebido com uma referência e devolvem um MOS-LQO.

Quanto jitter é aceitável numa chamada VoIP?

O que o buffer de jitter consegue absorver sem descartar pacotes e sem empurrar o atraso total para além do orçamento. As recomendações citadas aqui não fixam um número único de jitter. A G.114 dá o teto do atraso num sentido, 400 ms para planejamento, e o atraso do buffer entra nessa conta.

ViSQOL ou POLQA: qual usar?

Os dois são modelos com referência que devolvem uma nota de qualidade de escuta. A P.863 (POLQA) é a recomendação da ITU-T que substituiu a P.862 (PESQ). O ViSQOL é um modelo aberto publicado pelo Google, com um modo de fala que trabalha com áudio a 16 kHz. O que importa é dizer qual modelo foi usado ao comparar notas.

Por que o MOS do meu PABX é diferente do MOS medido?

Porque o PABX normalmente estima a nota a partir de números da rede, como perda de pacotes, jitter e atraso, pelo modelo E da G.107. Essa estimativa não ouve o áudio. Ela não vê um áudio cortado na origem, uma conversão de codec ruim nem uma mensagem errada, que uma medição com referência vê.

Fontes

1. ITU-T P.800: métodos de avaliação subjetiva e a escala MOS
2. ITU-T P.800.1: terminologia do MOS (LQS, LQO, LQE, CQS, CQO, CQE)
3. ITU-T G.107: o modelo E e o fator R
4. ITU-T G.114: tempo de transmissão num sentido
5. ITU-T P.863: POLQA, qualidade de escuta objetiva
6. ITU-T P.862: PESQ, retirada em 5 de janeiro de 2024
7. ViSQOL: repositório do modelo de qualidade perceptual
8. RFC 3550: RTP e RTCP, incluindo o cálculo do jitter entre chegadas

Continue lendo

• Monitoramento de circuitos de voz: o guia completo
• Qualidade de voz medida (MOS-LQO) no Monitor
• Ligação muda e áudio de um lado só no VoIP
• Monitoramento de link de internet
• Monitoramento de troncos SIP
• Relatórios de SLA