Un sistema de voz sobre IP consiste en establecer una conferencia de audio entre dos terminales conectados a una red, todo lo que requiere es que sea bidireccional, que el retardo sea prácticamente constante y muy bajo, y que la calidad subjetiva de audio sea suficientemente buena para entender al interlocutor.

 

En el nivel de aplicación se deberán encontrar los siguientes elementos necesarios para constituir la arquitectura:

​

• Interfaz con el usuario: puede tratarse de un dispositivo físico, como un teléfono o videoteléfono, o de un dispositivo lógico como una aplicación que se ejecuta en un PC  con la ayuda de micrófono y altavoces, y opcionalmente una cámara para vídeo.

• Codificador/Decodificador de señal: Conocidos como códecs, son uno de los elementos críticos de una red de VoIP, ya que se encargan de codificar la señal de audio o vídeo con dos objetivos principales en mente, mantener un nivel alto de calidad y reducir el ancho de banda utilizado por el flujo.

• Protocolo RTP (Real Time Protocol), utilizado en todas las aplicaciones con requerimientos de tiempo real

 

Nivel de transporte: se requiere de un protocolo de transporte que respete los requerimientos de tiempo real, es decir, que no añada excesiva sobrecarga a los paquetes, y que los vaya entregando al nivel superior según llegan lo más rápidamente posible, entre estos se encuentran TCP y UDP, los dos protocolos de transporte típicos.

• TCP es fiable, y orientado a conexión, pero no cumple la premisa de la entrega de paquetes a medida que llegan, se encarga de ordenarlos y entregarlos al nivel superior sin los límites temporales, además pide la retransmisión de los paquetes que no hayan llegado.

• UDP es no fiable y no orientado a conexión, pero añade menos sobrecarga a los paquetes y los entrega según los recibe, lo cual si no ayuda al flujo de tiempo real, al menos no lo entorpece.

​

Nivel de red: al tratarse de una red VoIP el protocolo elegido es IP, en principio IPv4 o IPv6.

Los Codecs pueden ser clasificados según diferentes características, entre las que se encuentran su tasa de bits (bit rates), la calidad resultante del audio codificado, su complejidad, el tipo de tecnología utilizada y el retardo que introducen

​

G.711 , es un códec diseñado para transportar telefonía digital en canales de 64 Kbps, codificando muestras independientemente PCM de forma no lineal (leyes A y mu). Recomendada para redes con ancho de banda suficiente, suele usarse como referencia de calidad para otros métodos que comprimen las muestras su ancho de banda es de 87.2Kbps.

​

G.729 es un códec compresor de tipo (CS-ACELP) Se desarrolló para usarse en situaciones de multimedia con voz y datos su ancho de banda es de 31.2 Kbps