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。
首先要对语音信号进行模拟数据转换。（就是对模拟语音信号进行8位或6位的量化）
然后送到缓冲存储区中，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.
语音包通常由60，120，或240ms的语音数据组成）

数字化：使用各种语音编码器方案来实现，目前采用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才可以还原模拟语音信号。

2.原数据到IP转换
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，则把从第一次来的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。

3.传送
  在这个通道中，全部网络被看成一个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。
t可以在某全网范围内变化，反映了网络传输中的抖动。网络中的同间节点检查每个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。
网络链路可以是支持IP数据流的任何拓扑结构或访问方法。

4.IP包-数据的转换
  目的地VOIP设备接收这个IP数据并开始处理。
网络级提供一个可变长的缓冲器，用来调节网络产生的抖动，该缓冲器可容纳许多语音包，用户可以选择缓冲器的大小。
小的缓冲器产生延迟较小，但不能调节大的抖动。
其次×××将经编码的语音包解压缩后产生新的语音包，这个模块可以按帧进行操作，完全和×××的长度相同。
若帧长为15ms是60ms的语音包被分成4帧，然后它们被解码还原成60ms的语音数据流送入解码缓冲器，
在数据报的处理过程中，去掉寻址和控制信息，保留原始的原数据，然后把这个原数据提供给×××。
 
5.数字语音还原为模拟语音
  播放驱动器将缓冲器中的语音样点（480个）取出送入声卡，通过扬声器按预定的频率（例如8kHZ）播出。

简单来说：
         语音信号在IP网络上传送要经过模拟信号到数字信号转换--数字语音封装成IP分组--IP分组通过网络的传送--IP分组的解包和数字语音还原到模拟信号等过程。