SIP протокол сильно тяжёл для домофонов и имеет абсолютно не нужный функционал.

Намного проще использовать в одном домофоне два независимых устройства

Устройство вызова на базе микроконтроллера с сетевым интерфейсом (например, esp86) и клавиатурой, которое просто при вводе квартиры на клавиатуре, передает пользовательскому приложению введённой квартиры команду на активацию. (Через облако скорей всего).

Обычную ip-камеру с двухсторонней связью, картинку с которой по RTSP-протоколу и показывает вызванное предыдущем модулем приложение. Также штатными средствами камеры, можно переводить ее из трансляции видео на двухсторонную связь по аудио с трансляцией видео

Если все это спрятать в один корпус, то все это будет работать намного быстрее SIPa, а для пользователя будет одним быстрым домофоном.