VoIP是通过Internet等互联网络传递语音信息的，主要包括终端设备、网关、网守和网络管理等部分。网关负责提供IP网络和传统的PSTN接口。

VoIP的基本原理：通过语音压缩算法对语音数据进行压缩编码处理，然后将语音数据按照TCP/IP标准打包，经过IP网络把数据包发送到接收端，之后将语音数据包串起来，经过解码解压之后，恢复成原来的语音信号，从而达到利用互联网传送语音的目的。与之相似的有公共交换电话网络(Public Swithched Telephone Network, PSTN)：这是一种日常生活中经常使用的电话网。由于PSTN是一种电路交换的方式，所以一条通路自建立直至释放，其全部带宽仅能被通路两端的设备使用，因此带宽利用率极低。

VoIP的核心与关键设备是IP网关。网关具有路由管理功能，它把各地区电话区号映射为相应的地区网关IP地址。这些信息存放在一个数据库中，数据接续处理软件将完成呼叫处理、数字语音打包、路由管理等功能。在用户拨打长途电话时，网关根据电话区号数据库资料，确定相应网关的IP地址，并将此IP地址加入IP数据包中，同时选择最佳路由以减少传输时延，IP数据包经Internet到达目的地的网关，在一些Internet尚未延伸到或暂时未设立网关的地区，可设置路由，由最近的网关经过长途电话网转接，实现通信业务。

为了在一个IP网络上传输语音信号，对网络有一些最低要求。最简单形式的网络由两个或多个具有VoIP功能的设备组成，这些设备通过一个IP网络连接。VoIP传输过程：

语音->数据转换

语音信号本身是模拟信号，如果通过IP传输语音，不管是实时应用还是非实时应用，首先都需要对语音信号进行模拟数据转换，也就是对模拟信号进行8位或16位的量化，然后送入缓冲存储区中，缓冲区大小可以根据延迟和编码的要求选择，低比特率的编码器通常采取以帧为单位进行编码，典型帧长为10ms~30ms。考虑传输过程中的代价，语音包通常由60ms、120ms和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有ITU-T G. 711、G. 729等。发送端和接收端的语音编码器和语音编码器必须实现相同的算法，这样接收端才能恢复原始的语音信号。

原始数据->IP转换

语音数据数字编码之后，下一步就是对语音包以特定的帧长进行压缩编码。大部分的编码器都有特定帧长，若一个编码器使用15ms的帧，则把第1步中的60ms的包分成4帧，并按照顺序进行编码，如果采样率8kHz，则每帧共15ms*8kHz=120个采样点。编码后将4个数据包合成一个压缩语音包送入网络处理器，网络处理器为语音添加包头、时序和其它信息通过互联网传送到另一端。IP网络不像电路交换网络，其不形成连接，它要求把数据放在变长的数据报或分组中，每个数据报附带寻址和控制信息，并通过网络发送，一站一站转发到目的地。

传送

在这个通道中，全部网络被看成一个整体，持续不断地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。时间\(t\)可以在某个范围内变化，反映了网络传输中的抖动。网络中的中间节点检查每个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。

IP包->数据转换

目的地VoIP设备接收这个IP数据报并开始处理，并提供一个变长缓冲区用来调节网络产生的抖动。小的缓冲区延迟较小，但不能容纳更大的抖动。

数字信号->模拟语音

播放驱动器将缓冲器中的语音样本点送入声卡，通过扬声器按照预定的频率播放。