1、早期媒体
无论是在PSTN还是在VoIP网络中，一个呼叫的最终目的让两个用户进行交谈（conversation）。这里我们将由用户之间的交谈所产生的媒体称为常规媒体（“regular media”）。
早期媒体（“early media”）是与常规媒体相比而言的。
通常，主叫用户发起呼叫后用户交谈并不会立即开始（甚至可能最终没有开始），等待时间一般是几秒到几十秒，这完全取决于被叫用户的何时应答。在被叫应答之前，主叫用户与网络之间也可以有媒体流产生，与常规媒体相区别，这种媒体被称为早期媒体。
最典型的早期媒体就是回铃音。其他形式的早期媒体还有排队提示等等。早期媒体通常都是单向的（网络>主叫），在SIP中也可能会有双向的早期媒体。
2、早期媒体的传送
要传送媒体首先要建立一个媒体会话（Session）。建立媒体会话实际上就是通过SDP offer/answer交换进行就会话的媒体参数进行协商的一个过程。在SIP中，媒体会话的建立过程通常首先伴随着一个SIP对话（Dialog）的建立过程，一般情况下，媒体会话和SIP对话是同时建立的（通过SIP 200或ACK消息携带SDP answer）。这种情况下，媒体会话直到被叫用户摘机以后才能建立起来，只能用户传送用户媒体，显然无法传送早期媒体。
要传送早期媒体，必须在SIP对话尚未完全建立之时，即所谓的SIP早期对话状态，完成媒体会话的建立。
怎样在早期对话状态建立媒体会话呢？SIP中支持两种做法。
这两种做法的关键不同在于：是否将传送早期媒体的会话与传送之后的通话媒体的会话明确地划分清楚，区别开来。具体到协议上看，两种做法都利用了200之前的SIP消息，比如1xx-rel、PRACK、Update等等，来传送SDP offer/answer， 但是这些SDP offer/answer在SIP消息中的标明类型和处理指示是不同的。
做法1没有明确区分出用于早期媒体的会话，实际上始终只有一个会话。具体到协议上看，用于建立（或修改）这个会话的SDP offer/answer 在SIP消息中的处理指示都是“Session”。
做法2专门建立一个用于传送早期媒体的会话，并称之为早期会话（“early-session”）。具体到协议上看，用于建立（或修改）早期会话的SDP offer/answer SIP 消息中的处理指示是“early-session”。并且，在一个SIP消息中可以同时携带处理指示分别为“Session”和“early-session”的两个SDP消息，各自独立地用于早期会话的协商和正常会话的协商。
如下图所示。在做法1中，用同一个会话（在不同的时间段里）来传送早期媒体和通话媒体。在被叫摘机之前，这个会话可用于传送早期媒体，在被叫摘机之后，这个会话又用于传送通话媒体。倘若早期媒体和通话媒体的参数不同的话，需要重新进行媒体传输参数的协商，这需要一定的时间，可能会带来媒体删剪（media clipping）的问题。在做法2中，同时会存在两个会话，分别用于传送早期媒体和通话媒体，在被叫摘机之后，终端可以迅速从早期会话切换到正常会话，不会带来媒体删剪的问题。
根据它们的适用场景的不同，这两种做法分别被称为网关模式和应用服务器模式。
3、回铃音的产生
一个呼叫被发起之后，当被叫终端振铃时，主叫也会听到某种声音，提示正在等待被叫应答，这就是所谓回铃音。回铃音通常是某种标准的音频信号，也可能是被叫用户指定的某种特殊的声音文件，例如音乐等等。在PSTN中，回铃音通常是被叫的本地交换机产生，然后通过已建立的单向话路传送给主叫话机，由主叫话机播放给主叫。
在SIP网络中，被叫侧可以早期媒体的形式向主叫提供回铃音（如果被叫侧不提供回铃音，则主叫SIP终端会在本地产生回铃音）。究竟使用前面所述的两种做法的那一种来传送早期媒体，下面分别讨论。
3.1．网关模式
网关模式适用于被叫（即UAS）为一个SIP网关的情形。具体的可能的情况通常如下图所示：一个用户在SIP终端上呼叫一个PSTN用户，这个呼叫通过了一个SIP网关。就SIP呼叫而言，网关是被叫。
在这里，回铃音是由PSTN网产生的。但是在SIP域，SIP网关需要以早期媒体的形式将从PSTN网络收到的回铃音媒体传送给主叫SIP终端。
这种情况下，从SIP域来看，回铃音媒体流和之后的被叫媒体流的产生是同源的，都在SIP网关上。当被叫用户摘机时，回铃音媒体流自然地变成了用户媒体流，因此可以使用网关模式，而不会带来媒体删剪的问题。
信令流程如下图：
其中消息简单说明如下：
1) INVITE请求中含有SDP offer，其处置类型为“Session”。
网关收到INVITE后向PSTN发送IAM消息，然后在PCM话路上收到回铃音，同时在信令上收到ACM消息。
2) 183响应中含有SDP answer，其处置类型为“Session”。
此时，UAC与网关之间媒体会话建立，同时将回铃音在这个会话上传送给UAC。
3) UAC发送PRACK
4) 网关返回针对PRACK的200响应。
5) 被叫用户应答，网关收到ANM后向SIP UAC返回200 INVITE响应。同时到SIP UAC上的会话上的回铃音自动变成了从PSTN上收到的用户话音。主被叫用户开始双向通话
6) SIP UAC发送ACK。
3.2．应用服务器模式
应用服务器模式适用于被叫（即UAS）是一个应用服务器的情形。具体的可能的情况通常如上图所示：一个SIP用户希望由运营商网络（而非终端）来产生回铃音。运营商通常使用网络上的一个MRF资源提供回铃音，并且需要一个应用服务器其来控制回铃音的产生。
这种情况下，回铃音媒体流与之后的被叫媒体流分别在MRF与被叫SIP终端上产生，显然是不同的源。如果使用网关模式的话，将回铃音媒体切换为被叫媒体流必须在会话上进行媒体更改，媒体更改不能立即完成，这将会带来媒体删剪的问题。
使用应用服务器模式，则是同时建立了两个会话，将回铃音媒体切换为被叫媒体流可以通过将当前会话从早期会话切换到正常会话上即可，能够立即完成。
信令流程如下图：
简单说明如下：
1) INVITE请求中携带一个SDP作为常规会话的offer
其Supported头域中包含一个选项标签“early-session”，表示主叫终端支持早期会话。
2) INVITE请求中携带之前收到的offer
3) 183响应中携带一个SDP作为常规会话的answer。
4) 183中含有两个SDP：
a) 一个是之前从被叫那里收到的，作为常规会话的answer；
此时常规会话被建立，但并没有媒体被传送。
b) 另一个作为要建立的早期会话的的offer.
5) PRACK中携带一个SDP，作为早期会话的answer
此时早期会话被建立，且有被早期媒体（回铃音）传送。
6) AS向被叫发送PRACK
7) 被叫向AS返回200 PRACK
8) AS向主叫返回200 PRACK
9) 被叫摘机，向AS发送200响应
10) AS向主叫发送200响应
此时常规会话上将会有媒体传送，主叫UA播放常规会话上的媒体。
4、关于目前多媒体彩铃的实现的简单说明
目前中国网通及中国移动的多媒体体彩铃业务的实现都主要采用了网关模式的实现方案（详细流程参见相关技术规范），原因是很多SIP终端都不支持“early-session”选项标签，无法使用应用服务器模式。
实际上，采用网关模式实现彩铃会导致媒体删剪等一些问题，最终应该会逐步过渡到理想的方案 – 应用服务器模式。