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下图所示。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。两者之音的网络必须支持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，道貌岸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-T G.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。