Перед тем как речевая информация дойдет до собеседника, голос оцифровывается и преобразовывается (сжимается), это необходимо для того, что бы избавиться от избыточной информации (например, от пауз).

После кодирования образуется непрерывный поток данных, который делится на маленькие IP-пакеты и порциями отсылается получателю. Для того, что бы в динамике собеседник услышал человеческую речь, пакеты сначала сохраняются в буфере, после чего проходят через цифрово-аналоговый преобразователь.

В настоящее время качество разговора можно сравнить с обычной телефонией.