所謂的VoIP是以IP分組交換網(wǎng)絡(luò)為傳輸平臺，對模擬的語音信號進行壓縮、打包等一系列的特殊處理，使之可以采用無連接的UDP協(xié)議進行傳輸。
通過因特網(wǎng)進行語音通信是一個非常復(fù)雜的系統(tǒng)工程，其應(yīng)用面很廣，因此涉及的技術(shù)也特別多，其中最根本的技術(shù)是VoIP (VoiceoverIP)技術(shù)，可以說，因特網(wǎng)語音通信是VoIP技術(shù)的一個最典型的、也是最有前景的應(yīng)用領(lǐng)域。本文主要介紹VOIP的基本傳輸過程。
傳統(tǒng)的電話網(wǎng)是以電路交換方式傳輸語音，所要求的傳輸寬帶為64kbit/s.而所謂的VoIP是以IP分組交換網(wǎng)絡(luò)為傳輸平臺，對模擬的語音信號進行壓縮、打包等一系列的特殊處理，使之可以采用無連接的UDP協(xié)議進行傳輸。
為了在一個IP網(wǎng)絡(luò)上傳輸語音信號，要求幾個元素和功能。最簡單形式的網(wǎng)絡(luò)由兩個或多個具有VoIP功能的設(shè)備組成，這一設(shè)備通過一個IP網(wǎng)絡(luò)連接。從中可以發(fā)現(xiàn)VoIP設(shè)備是如何把語音信號轉(zhuǎn)換為IP數(shù)據(jù)流，并把這些數(shù)據(jù)流轉(zhuǎn)發(fā)到IP目的地，IP目的地又把它們轉(zhuǎn)換回到語音信號。兩者之音的網(wǎng)絡(luò)必須支持IP傳輸，且可以是IP路由器和網(wǎng)絡(luò)鏈路的任意組合。因此可以簡單地將VoIP的傳輸過程分為下列幾個階段。
1、語音-數(shù)據(jù)轉(zhuǎn)換
語音信號是模擬波形，通過IP方式來傳輸語音，不管是實時應(yīng)用業(yè)務(wù)還是非實時應(yīng)用業(yè)務(wù)，道貌岸首先要對語音信號進行模擬數(shù)據(jù)轉(zhuǎn)換，也就是對模擬語音信號進行8位或6位的量化，然后送入到緩沖存儲區(qū)中，緩沖器的大小可以根據(jù)延遲和編碼的要求選擇。許多低比特率的編碼器是采取以幀為單位進行編碼。典型幀長為10~30ms.考慮傳輸過程中的代價，語間包通常由60、120或240ms的語音數(shù)據(jù)組成。數(shù)字化可以使用各種語音編碼方案來實現(xiàn)，目前采用的語音編碼標(biāo)準(zhǔn)主要有ITU-TG.711.源和目的地的語音編碼器必須實現(xiàn)相同的算法，這樣目的地的語音設(shè)備幫可以還原模擬語音信號。
2、原數(shù)據(jù)到IP轉(zhuǎn)換
一旦語音信號進行數(shù)字編碼，下一步就是對語音包以特定的幀長進行壓縮編碼。大部份的編碼器都有特定的幀長，若一個編碼器使用15ms的幀，則把從第一來的60ms的包分成4幀，并按順序進行編碼。每個幀合120個語音樣點(抽樣率為8kHz)。編碼后，將4個壓縮的幀合成一個壓縮的語音包送入網(wǎng)絡(luò)處理器。網(wǎng)絡(luò)處理器為語音添加包頭、時標(biāo)和其它信息后通過網(wǎng)絡(luò)傳送到另一端點。語音網(wǎng)絡(luò)簡單地建立通信端點之間的物理連接(一條線路)，并在端點之間傳輸編碼的信號。IP網(wǎng)絡(luò)不像電路交換網(wǎng)絡(luò)，它不形成連接，它要求把數(shù)據(jù)放在可變長的數(shù)據(jù)報或分組中，然后給每個數(shù)據(jù)報附帶尋址和控制信息，并通過網(wǎng)絡(luò)發(fā)送，一站一站地轉(zhuǎn)發(fā)到目的地。
3、傳送
在這個通道中，全部網(wǎng)絡(luò)被看成一個從輸入端接收語音包，然后在一定時間(t)內(nèi)將其傳送到網(wǎng)絡(luò)輸出端。t可以在某全范圍內(nèi)變化，反映了網(wǎng)絡(luò)傳輸中的抖動。網(wǎng)絡(luò)中的同間節(jié)點檢查每個IP數(shù)據(jù)附帶的尋址信息，并使用這個信息把該數(shù)據(jù)報轉(zhuǎn)發(fā)到目的地路徑上的下一站。網(wǎng)絡(luò)鏈路可以是支持IP數(shù)據(jù)流的任何拓結(jié)構(gòu)或訪問方法。
4、IP包-數(shù)據(jù)的轉(zhuǎn)換
目的地VoIP設(shè)備接收這個IP數(shù)據(jù)并開始處理。網(wǎng)絡(luò)級提供一個可變長度的緩沖器，用來調(diào)節(jié)網(wǎng)絡(luò)產(chǎn)生的抖動。該緩沖器可容納許多語音包，用戶可以選擇緩沖器的大小。小的緩沖器產(chǎn)生延遲較小，但不能調(diào)節(jié)大的抖動。其次，解碼器將經(jīng)編碼的語音包解壓縮后產(chǎn)生新的語音包，這個模塊也可以按幀進行操作，完全和解碼器的長度相同。若幀長度為15ms，，是60ms的語音包被分成4幀，然后它們被解碼還原成60ms的語音數(shù)據(jù)流送入解碼緩沖器。在數(shù)據(jù)報的處理過程中，去掉尋址和控制信息，保留原始的原數(shù)據(jù)，然后把這個原數(shù)據(jù)提供給解碼器。
