а чем руководствовались? кажется, наоборот, удобней соотносить, что там пользователь жмав с тем, что в этот момент происходило со звонком с точки зрения логики, разве нет?
Как вам поможет факт что там жал клиент, если в Inband , а дальше кодек конвертируется?
Писать сигналку на порту - самый разумный подход в этом случае.
(без RTP).

