Da die anlogen Signale der Sprache nicht in der originalen Form über das Internet übertragen werden können, müssen sie zuerst in digitale Signale umgewandelt werden. Anschließend werden die so gewonnen Datenströme in winzige Pakete zerlegt. Dabei werden Sequenzen erzeugt, die immer nur ein

paar Millisekunden des Gespräches umfassen. Diese Daten wiederum werden kodiert. Das ist die wichtigste Voraussetzung, um sie über das Internet transportieren zu können. In einem weiteren Schritt werden die Datenpakete mit verschiedenen Zusatzinformationen versehen, die dafür sorgen, dass sie auch an den gewählten Empfänger weiter geleitet werden können. Die dabei eingesetzte Form der Adressierung ist mit ENUM international festgeschrieben worden. Für solche Standardisierung ist die ITU zuständig. Die Abkürzung ITU steht für International Telecomunication Union, was mit Internationale Fernmeldeunion ins Deutsche übersetzt wird.

Der neustes ITU Standard für die Voice over IP Verschlüsselung von Sprache ist in der Empfehlung G.729 zusammen gefasst worden und läuft auch unter der Bezeichnung CS-ACELP. Er zerlegt die Sprache in je zehn Millisekunden umfassende Pakete, bei denen immer ein Bündel aus zwei Paketen versendet wird. Besonders effektiv erweist sich bei G.729, dass Sprechpausen bei der Übertragung unterdrückt werden. Das schont die Kapazität der Netze, über die die Daten übertragen werden. Diese Sprechpausen werden beim Empfänger mit einem so genannten Komfortrauschen aufgefüllt. CS-ACELP wurde speziell auf die Anforderungen bei der Übertragung von Sprache zugeschnitten und ist deshalb als Voice over IP Codec besonders gut geeignet. Andere akustische Signale dagegen kann er nur mit eingeschränkter Qualität übertragen. Anders war es nicht möglich, diese Voice over IP Verschlüsselung so aufzubauen, dass Verluste einzelner Datenpakete mit möglichst wenig Aufwand kaschiert werden können.

Wer mit einem Mobiltelefon Voice over IP nutzen möchte, kann sich darauf verlassen, dass der VoIP Codec GSM die Sprachdaten korrekt umwandelt. Er wird heut in fast allen Mobilfunknetzen genutzt und wurde einst für das revolutionäre D-Netz entwickelt. Heute existieren zahlreiche Nachfolger, mit denen dieser Codec noch einmal erweitert worden ist. Dazu gehören EDGE, GPRS und HSCSD. Alle drei sorgten dafür, dass die Geschwindigkeit der Verarbeitung und Übertragung deutlich beschleunigt werden konnte. EDGE alias Enhanced Data Rates for GSM Evolution arbeitet mit verschiedenen Modulationen und wird in der Praxis als Übergang von GSM zu UTMS gewertet. Universal Mobile Telecommunications System, wie UTMS in der kompletten Bezeichnung lautet, macht Übertragungsraten von bis zu 7,2 Megabits pro Sekunde möglich.

Auch MELP - Mixed Excitation Linear Predictive kommt als Voice over IP Codec häufig zum Einsatz. MELP ist ebenso wie G.729 speziell für die Übertragung von Sprache entwickelt worden. Sein Vorteil ist, dass er wenig Rechenleistung benötigt und auch mit niedrigen Nutzdatenraten zuverlässig arbeiten kann. Wenn mit MELP Codec übertragen wird, dann könnte man das in Einzelfällen daran erkennen, dass man kaum Hintergrundgeräusche mitbekommt. Die Zuverlässigkeit des MELP Codec hat dazu geführt, dass er bevorzugt im militärischen Bereich bei Voice over IP zum Einsatz kommt. Deshalb ist MELP auch eines der Verfahren, das patentiert worden und deshalb nicht frei verfügbar ist. Alle Voice over IP Verschlüsselungen haben gemeinsam, dass sie speziell auf Sprachübertragung zugeschnitten sind und der Schwerpunkt hauptsächlich auf eine schnelle Verarbeitung und Übertragung der Daten gelegt wird.