在前一段时间的博客中，我提到语音IM(即时通信)和现有的文本IM相比，能够突破文本信息及输入文本动作的限制，可以带有更多的信息，并且在很多场合使用起来更加方便。在这篇博客的评论中，有人提到一个我以前没有想过的问题：既然文本传输在带宽占用方面与语音相比具有很大的优势，而且语音识别技术日渐成熟，那么我们是否可以将语音转换成文本进行传输，然后在另一端再转换回语音呢?当然，这样做将会丢失一些信息，如说话时的语气。那么，我们做这种转换是否有必要呢?
在回复这条评论时，我想到，人们可能是对语音信息望而生畏了，而没有详细考虑它的处理过程。对于像VoIP这种系统，在传输中需要注意两点：一是确保数据包的优先级，二是保证数据包的顺序不乱。在数据网络中，其流量相对而言是很小的。当网络容量和计算能力都以指数级增长时，流量仅仅是线性增长的(打电话的总时间与每个用户的平均电话时间及用户数量成线性关系，但这两项的增长率都很低)。因此，语言占用网络资源的比例会越来越小，最终成为可以忽略不计的部分，那时它就不再是网络规划时技术或者经济方面考虑的因素。这并不是说它们不重要，只是对容量和运营的规划影响不大罢了。
尽管我们都知道文本消息对于现代网络而言，其流量是可以忽略不计的，但语音IM又如何呢?它的需求是否真会改变网络的运营状态?我们从一个实际例子来看，文本和语音的带宽占用区别究竟有多大?
我在PC上录制了一段语音(英文原文：Now is the time for all good men to come to the aid of their country.)，时长5.25s。当PCM(脉码调制)速率为64kbps时，它占用336kb，也就是42kB。而在文本文件中，它占用68B。这样看来，压缩比是相当大的，语音比文本大了将近620倍。但是，如果我们使用8kbps速率(在IM这种非实时情况下并不影响效果)的话，区别就缩小到了78倍。
我们假设，平均每个文本消息20个字符，每人每天发送100条消息，这样，总的文本传输量是2000B，再加上网络传输需要添加的约6000B管理负荷，总共是8000B。同样的消息，如果使用压缩的语音传输，每人每天需要传输的数据量是156kB，加上网络传输需要的管理负荷(数据包越大，管理负荷所占比例越小)，总共约175kB。由此可见，由于管理负荷的原因，实际传输时，语音的信息量约为文本的20倍。尽管175kB对于2G或者2.5G移动网络而言是个大块头，但是无论是对局域网、家庭宽带连接、无线局域网，还是3G移动网络，它都是可以忽略不计的。假设人们在8小时之内发送各自的消息，平均每个人所占用的带宽就不到50bps了。假设一个基站有100个用户，那么用在这方面的带宽也就是5kbps而已。而且，这还是非实时的流量，完全可以归为SLA中最低的一级—尽力而为(Best Effort)。尽管文本的需求显然更低(仅仅250bps)，但在这个充满图像、电话和视频的世界里，这点差异是完全不用考虑的。
因此，我的结论是：语音IM完全不存在带宽问题。
