通过因特网进行语音通信是一个非常复杂的系统工程，其应用面很广，因此涉及的技术也特别多，其中最根本的技术是voip (voice over ip)技术，可以说，因特网语音通信是voip技术的一个最典型的、也是最有前景的应用领域。因此在讨论用因特网进行语音通信之前，有必要首先分析voip的基本原理，以及voip中的相关技术问题。
一、 voip的基本传输过程
传统的电话网是以电路交换方式传输语音，所要求的传输宽带为64kbit/s。而所谓的voip是以ip分组交换网络为传输平台，对模拟的语音信号进行压缩、打包等一系列的特殊处理，使之可以采用无连接的udp协议进行传输。
为了在一个ip网络上传输语音信号，要求几个元素和功能。最简单形式的网络由两个或多个具有voip功能的设备组成，这一设备通过一个ip网络连接。voip模型的基本结构图如图一(略)。从图中可以发现voip设备是如何把语音信号转换为ip数据流，并把这些数据流转发到ip目的地，ip目的地又把它们转换回到语音信号。两者之间的网络必须支持ip传输，且可以是ip路由器和网络链路的任意组合。因此可以简单地将voip的传输过程分为下列几个阶段。
1、 语音-数据转换
语音信号是模拟波形，通过ip方式来传输语音，不管是实时应用业务还是非实时应用业务，首先要对语音信号进行模拟数据转换，也就是对模拟语音信号进行8位或6位的量化，然后送入到缓冲存储区中，缓冲器的大小可以根据延迟和编码的要求选择。许多低比特率的编码器是采取以帧为单位进行编码。典型帧长为10~30ms。考虑传输过程中的代价，语间包通常由60、120或240ms的语音数据组成。数字化可以使用各种语音编码方案来实现，目前采用的语音编码标准主要有itu-tg.711。源和目的地的语音编码器必须实现相同的算法，这样目的地的语音设备帮可以还原模拟语音信号。
2、 原数据到ip转换
一旦语音信号进行数字编码，下一步就是对语音包以特定的帧长进行压缩编码。大部份的编码器都有特定的帧长，若一个编码器使用15ms的帧，则把从第一来的60ms的包分成4帧，并按顺序进行编码。每个帧合120个语音样点（抽样率为8khz）。编码后，将4个压缩的帧合成一个压缩的语音包送入网络处理器。网络处理器为语音添加包头、时标和其它信息后通过网络传送到另一端点。语音网络简单地建立通信端点之间的物理连接（一条线路），并在端点之间传输编码的信号。ip网络不像电路交换网络，它不形成连接，它要求把数据放在可变长的数据报或分组中，然后给每个数据报附带寻址和控制信息，并通过网络发送，一站一站地转发到目的地。
3、 传送
在这个通道中，全部网络被看成一个从输入端接收语音包，然后在一定时间（t）内将其传送到网络输出端。t可以在某全范围内变化，反映了网络传输中的抖动。网络中的同间节点检查每个ip数据附带的寻址信息，并使用这个信息把该数据报转发到目的地路径上的下一站。网络链路可以是支持ip数据流的任何拓结构或访问方法。
4、 ip包-数据的转换
目的地voip设备接收这个ip数据并开始处理。网络级提供一个可变长度的缓冲器，用来调节网络产生的抖动。该缓冲器可容纳许多语音包，用户可以选择缓冲器的大小。小的缓冲器产生延迟较小，但不能调节大的抖动。其次，解码器将经编码的语音包解压缩后产生新的语音包，这个模块也可以按帧进行操作，完全和解码器的长度相同。若帧长度为15ms，是60ms的语音包被分成4帧，然后它们被解码还原成60ms的语音数据流送入解码缓冲器。在数据报的处理过程中，去掉寻址和控制信息，保留原始的原数据，然后把这个原数据提供给解码器。
5、 数字语音转换为模拟语音
播放驱动器将缓冲器中的语音样点（480个）取出送入声卡，通过扬声器按预定的频率（例如8khz）播出。 简而言之，语音信号在ip网络上的传送要经过从模拟信号到数字信号的转换、数字语音封装成ip分组、ip分组通过网络的传送、ip分组的解包和数字语音还原到模拟信号等过程。整个过程如图二（略）。
二、 推动voip发展的动力
