目前，VoIP仍没有一个统一的标准，现在应用的标准主要可分为两大类：H.323协议集和SIP协议。

　　H.323系列协议

　　H.323协议最初并不是为VoIP提出的协议。H.323是ITU-T于1996年提出的基于包交换网的多媒体网会议的建议。H.323作为一个协议框架提供了系统及组成部分的描述，语音及视像编码、呼叫方式及呼叫信令规程等，但是无服务质量（QoS）保证。1998年H.323 V2中增加了补充业务(H.450.1~3)，系统控制(H.225.0，H.245)以及安全(H.235)等内容。H.323 V3中又增加了呼叫保持、呼叫暂停和代答、呼叫等待、消息等待、识别服务以及忙时呼叫完成(H.450.4~8)等内容。

　　H.323协议中与VoIP相关的协议（对应于OSI模型）主要有：

　　表示层的音频编码协议：G.729/G.723/G.711，会话层的实时传输控制协议（RTCP）和H.225.0分组和同步标准，H.245系统控制标准，传输层的实时传输协议（RTP），网络层的资源预留协议（RSVP）等。

　　H.323提供设备之间、高层应用之间和提供商之间的互操作性。它不依靠于网络结构，独立于操作系统和硬件平台，支持多点功能、组播和带宽治理。H.323具备相当的灵活性，支持包含不同功能的节点之间的会议和不同网络之间的会议。H.323建议的多媒体会议系统中的信息流包括音频、视频、数据和控制信息。信息流采用H.225.0建议方式来打包和传送。

　　H.323协议组包括以下子协议：

　　　　1.图像编码：H.261，H.263；

　　　　2.话音编码：G.711、G.722、G.728、G.729、G.723；

　　　　3.数据通信：T.120；

　　　　4.呼叫控制：H.225（包括信令、注册、媒体同步、分组打包等）；

　　　　5.系统控制；H.245（包括打开或关闭一个呼叫、功能协商等）；

　　　　6.实时传送协议：RTP、RTCP。

　　1．话音编码和图像编码

　　目前，话音和图像压缩技术发展十分迅速，已经研究开发出很多高效率的压缩编码技术。如先进的以码本激励线性猜测（CELP）原理为基础的G.729、G.723（G.723.1）话音压缩编码技术。以G.729为例，它可将经过采样的64kb/s话音以几乎不失真的质量压缩至8kb/s。话音压缩编码技术是VoIP技术的一个重要组成部分。图像编码方面有IP网络会议系统采用的H.261（活动图像编码）和H.263（低速率活动图像编码）。

　　由于在分组交换网络中，业务质量不能得到很好保证，因而需要话音和图像的编码具有一定的灵活性，也就是说编码速率、编码尺度的可变可适应性。在图像编码方面，H.263采取了多种方式使得图像编码的尺度可变（分层编码、多精度编码），即根据不同的信道质量可以对码流进行调整，以保证所需的业务质量。在话音编码方面，近年来的研究得出G.729中一种很好的算法。G.729原来是8kb/s的话音编码标准，现在经进一步的研究和实践将其工作范围扩展至6.4～11.8kb/s，话音质量也在此范围内有一定的变化，但即使是6.4kb/s，话音质量也还不错，因而很适合在VoIP系统中使用。G723.1采用5.3/6.3kb/s双速率话音编码，其话音质量好，但是处理时延较大，它是目前已标准化的最低速率的话音编码算法。在目前接入网速度普遍较低的情况下，G.723.1话音编码也大量运用于H.323会议系统中。下表给出了G.723.1、G.729和G.729A的部分性能比较。

　　几种话音编解码方法的性能对比

　　相关的话音技术还包括静音检测技术和回声消除技术。有研究结果表明，人们在打电话时约有50％为聆听对方讲话的静默时间，10％为讲话时短暂停顿的静默时间。静音检测技术可以有效剔除静默信号，从而使话音信号占用的带宽要求进一步降低到3.5kb/s左右；回声消除技术利用数字滤波器技术来消除对通话质量影响很大回声干扰，保证通话质量。这点在时延相对较大的分组网络环境中尤为重要。

　　2．实时传送协议

　　在IP网中传输层有两个并列的协议：TCP和UDP。TCP是面向连接的，它提供高可靠性服务；UDP是无连接的，它提供高效率的服务。高可靠性的TCP用于一次传输要交换大量报文的情况，高效率的UDP用于一次交换少量的报文或实时性要求较高的信息。

　　实时传输协议RTP提供具有实时特征的、端到端的数据传输业务，可以用来传送声音和活动图像数据，在这项数据传输业务中包含了装载数据的标识符、序列号、时戳以及传送监视。通常RTP的协议数据单元是用UDP分组来承载的。而且为了尽量减少时延，话音净荷通常都很短。图1表示一个IP话音分组的结构，图中IP，UDP和RTP的控制头都按最小长度计算。

　 由图1以可看出，这种IP话音分组的开销很大，约为66％～80％。于是有人提出了组合RTP分组的概念，如图2所示。

　

　　采用这种组合复用方法的确可以大大提高传输效率，但是目前尚无标准。

　　RTP本身没有提供任何确保及时传送的机制，也没有提供任何传输质量保证的机制，因而业务质量完全由下层网络的质量来决定。同时，RTP不保证数据包按序号传送，即使下层网络提供可靠性传送，也不能保证数据包的顺序到达。包含在RTP中的序列号就是供接收方重新对数据包排序之用。

　　与RTP相配套的另一个协议是RTCP协议。RTCP是RTP的控制协议，它用于监视业务质量并与正在进行的会话者传送信息。

　　3．呼叫控制和系统控制

　　H.323呼叫建立过程涉及到三种信令：RAS（注册：Registration、许可：Admission和状态：Status）信令，H.225.0呼叫信令和H.245控制信令。其中RAS信令用来完成终端与网守之间的登记注册、授权许可、带宽改变、状态和脱离解除等过程；H.225.0呼叫信令用来建立两个终端之间的连接，这个信令使用Q.931消息来控制呼叫的建立和拆除，当系统中没有网守时，呼叫信令信道在呼叫涉及的两个终端之间打开；当系统中包括一个网守时，由网守决定在终端与网守之间或是在两个终端之间开辟呼叫信令信道；H.245控制信令用来传送终端到终端的控制消息，包括主从判别、能力交换、打开和关闭逻辑信道、模式参数请求、流控消息和通用命令与指令等。H.245控制信令信道建立于两个终端之间，或是一个终端与一个网守之间。H.323的基本信令协议结构如图3所示。

　 　　　　　　　　

　　图3 基本信令协议

　　在图4中，描述了H.323中有网守参与的快速呼叫的建立过程。

　　 　　　　　　　　　　图4 快速呼叫建立流程

　　在Setup和Alerting消息中带有H.245的通道信息，网关间不需要进行H.245的消息连接。在描述呼叫流程的过程中，被叫网关与PSTN的接口信令均以ISUP为例。（见图4）

　　◆A方用户使用电话机拨接入码和被叫号码接入到本地网关。

　　◆网关1采集B方电话号码（被叫号码）和A方电话号码（主叫号码），检查地址映射表，如有数据，直接进行地址翻译，否则利用"请求用户接入认证"（ARQ）消息，向网守发送。

　　◆网守接收到来自网关1的"请求用户接入认证"（ARQ）消息后，检查用户合法性，确定用户权限，并进行地址翻译，将接入认证通过和授权（ACF）或拒绝（ARJ）消息发送到网关1，网关1在收到ACF消息后，作进一步处理，收到ACF消息后，做拆线处理。

　　◆如网关1有授权和地址映射缓冲区，在缓冲区中存储新数据，同时向被叫网关2发起呼叫建立请求"Setup"，里面包含有H.245的通道信息。

　　◆网关2向网关1发送"呼叫进展" （Call Proceeding）消息，里面包含有H.245的通道信息。

　　◆H.245通道建立成功后，网关2向PSTN发送IAM，请求接续被叫。

　　◆网关2收到PSTN发回的ACM信号时，被叫振铃。

　　◆网关2向网关1发送ALERT消息，网关1收到该消息后，向主叫发回铃音。

　　◆被叫摘机，网关2收到ANM消息。向网关1发送"连接"（Connect）消息。

　　◆网关1收到Connect消息，启动计费计数器，同时接通主叫。

　　◆向网守提供呼叫或开始计费的信息（任选）

　　（b）非快速呼叫建立流程

　　呼叫建立流程与快速连接的呼叫流程类似，只是在网关1发出的Seltup消息里，没有H.245消息，网关2向网关1发出的CALL PROC消息里带有H.245的端口信息。网关1在收到CALL PROC消息后，首先与网关2进行能力交换；网关1与网关2之间进行主从决定处理流程；网关1与网关2之间进行逻辑通道打开处理。