传统的IP网络主要是用来传输数据业务，采用的是尽力而为的、无连接的技术，因此没有服务质量保证，存在分组丢失、失序到达和时延抖动等情况。数据业务对此要求不高，但话音属于实时业务，对时序、时延等有严格的要求。因此必须采取特殊措施来保障一定的业务质量。VoIP的关键技术包括信令技术、编码技术、实时传输技术、服务质量(QOS)保证技术、以及网络传输技术等。
一、信令技术
信令技术保证电话呼叫的顺利实现和话音质量，目前被广泛接受的VOIP控制信令体系包括ITU-T的H.323系列(华为公司产品采用)和IETF的会话初始化协议SIP。
ITU的H.323系列建议定义了在无业务质量保证的因特网或其它分组网络上多媒体通信的协议及其规程。H.323标准是局域网、广域网、Intranet和Internet上的多媒体提供技术基础保障。H.323是ITU-T有关多媒体通信的一个协议集，包括用于ISND的H.320，用于B-ISDN的H.321和用于PSTN终端的H.324等建议。其编码机制，协议范围和基本操作类似于ISDN的Q.931信令协议的简化版本，并采用了比较传统的电路交换的方法。相关的协议包括用于控制的H.245，用于建立连接的H.225，用于大型会议的H.332，用于补充业务的H.450.1、H.450.2和H.450.3，有关安全的H.235，与电路交换业务互操作的H.246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。它不依赖于网络结构，独立于操作系统和硬件平台，支持多点功能、组播和带宽管理。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建议方式来打包和传送。
H.323呼叫建立过程涉及到三种信令：RAS(Registration Admission Status)信令，H.225呼叫信令和H.245控制信令。 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。
此外，H.323不支持多点发送(Multicast)议，只能采用多点控制单元(MCU)构成多点会议，因而同时只能支持有限的多点用户。H.323也不支持呼叫转移，且建立呼叫的时间比较长。
二、编码技术
话音压缩编码技术是IP电话技术的一个重要组成部分。目前，主要的编码技术有ITU-T 定义的G.729、G.723等。其中G.729可将经过采样的64Kbit/s话音以几乎不失真的质量压缩至8Kbit/s。由于在分组交换网络中，业务质量不能得到很好保证，因而需要话音的编码具有一定的灵活性，即编码速率、编码尺度的可变可适应性。G.729原来是8Kbit/s的话音编码标准，现在的工作范围扩展至6.4-11.8Kbit/s，话音质量也在此范围内有一定的变化，但即使是6.4Kbit/s，话音质量也还不错，因而很适合在VOIP系统中使用。G.723.1采用5.3/6.3kbit/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。
此外，静音检测技术和回声消除技术也是VOIP中十分关键的技术。静音检测技术可有效剔除静默信号，从而使话音信号的占用带宽进一步降低到3.5kbit/s左右;回声消除技术主要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IP分组网络中尤为重要。
三、实时传输技术
实时传输技术主要是采用实时传输协议RTP。RTP是提供端到端的包括音频在内的实时数据传送的协议。RTP包括数据和控制两部分，后者叫RTCP。RTP提供了时间标签和控制不同数据流同步特性的机制，可以让接收端重组发送端的数据包，可以提供接收端到多点发送组的服务质量包馈。
四、QOS保障技术
VOIP中主要采用资源预留协议(RSVP)以及进行服务质量监控的实时传输控制协议RTCP来避免网络拥塞，保障通话质量。
五、网络传输技术
VOIP中网络传输技术主要是TCP和UDP，此外还包括网关互联技术、路由选择技术、网络管理技术以及安全认证和计费技术等。由于实时传输协议RTP提供具有实时特征的、端到端的数据传输业务，因此VOIP可用RTP来传送话音数据。在RTP报头中包含装载数据的标识符、序列号、时间戳以及传送监视等，通常RTP协议数据单元是用UDP分组来承载，而且为了尽量减少时延，话音净荷通常都很短。IP、UDP和RTP报头都按最小长度计算。VOIP话音分组开销很大，采用RTP协议的VOIP格式，在这种方式中将多路话音插入话音数据段中，这样提高了传输效率。
