Jednym z elementów, które w największym stopniu wpływają na jakość rozmów VoIP, jest odpowiednio dobrany kodek. W użyciu jest ich co najmniej kilka, różnią się kompresją dźwięku, zastosowaną modulacją i zapotrzebowaniem na pasmo. Standardowy kodek ITU-T G.711 wykorzystuje popularną technikę PCM (Pulse Code Modulation) i przesyła głos z przepływnością 64 kb/s. Jego ogromną zaletą są minimalne opóźnienia (0,75 ms), a wadą zajętość pasma. Inny kodek - G.723.1 oferuje dużą kompresję, wykorzystującą dwie techniki modulacji (ACELP - Algebraic Code Excited Linear Prediction i MP-MLQ - Multipulse Maximum Likelihood Quantization) i przesyłającą dane z szybkością 5,3-6,3 kb/s. Zajętość pasma jest zatem niewielka, ale za to opóźnienia kodowania znaczące - 37,5 ms. Bardzo popularny kodek - G.729 - przesyła zaś dźwięki z przepływnością 8 kb/s (modulacja CS-ACELP) przy opóźnieniach ok. 15 ms.

Jak łatwo zauważyć, istnieje odwrotnie proporcjonalna zależność między kompresją kodeku (zajętością pasma) a generowanymi opóźnieniami. Do zadań administratora firmowej sieci VoIP należy m.in. optymalizacja użycia odpowiednich kodeków w różnych środowiskach. Jeśli na przykład firma chce ograniczać nakłady finansowane potrzebne do poszerzania łącza WAN, to do połączeń IP można użyć kodeka G.729. W sieci wewnętrznej (LAN) z powodzeniem zaś stosować kodek G.711, gwarantujący minimalne opóźnienia, ale zajmujący więcej pasma. Kwestią priorytetów danej spółki jest odpowiednie zarządzanie głosową konfiguracją VoIP.

Jakość kontra jakoś

Podnoszenie jakości połączeń w sieciach VoIP nie jest proste ze względu na ograniczone możliwości eliminacji efektów niepożądanych. Jednym z rozwiązań mogących polepszyć subiektywny odbiór rozmowy jest wykrywanie i usuwanie ciszy (VAD - Voice Activity Detection), które zabezpiecza przed transmisją pakietów "zawierających ciszę", ograniczając w ten sposób rozmiar wymaganego podczas rozmowy pasma. W wielu przypadkach pozwala to oszczędzić nawet połowę pasma, ponieważ sytuacje, gdy obaj rozmówcy mówią jednocześnie, zdarzają się rzadko.

Inną możliwością ograniczenia zużycia pasma i zwielokrotnienia tym samym liczby połączeń lub poprawy ich jakości jest zastosowanie kompresji nagłówka pakietów. Do przesyłania głosu w sieci IP wykorzystuje się najczęściej stos protokołów RTP/UDP/IP. Suma rozmiarów nagłówków tych trzech protokołów wynosi 40 bajtów i jest relatywnie duża, szczególnie w stosunku do ok. 20 bajtów danych dźwiękowych, które przenosi pakiet RTP. Fakt ten powoduje dodatkowe zapotrzebowanie na pasmo (może wzrosnąć trzykrotnie dla nominalnych wartości zajętości pasma przez kodeki). Aby wyeliminować nadmiarowość, wykorzystuje się protokół cRTP, który ogranicza rozmiar nagłówków z 40 do 4 bajtów z sumą kontrolną lub 2 bajtów bez sumy.