Pierwszą generację cyfrowych urządzeń głosowych VoIP instalowano wyłącznie w sieciach komputerowych typu LAN, gdzie zwykle nie istniał problem natłoku w sieci, bez kłopotu znajdowano nie wykorzystane zasoby pasma do transmisji pakietów głosowych, a przepustowość całej sieci była pod pełną, ścisłą kontrolą administratora i można było ją w razie potrzeby odpowiednio przeskalować. W tak idealnych warunkach transmisyjnych prawie każde urządzenia głosowe, wyposażone w jakąkolwiek usługę VoIP, funkcjonowało poprawnie w czasie rzeczywistym w obrębie własnej intranetowej sieci lokalnej.

Sytuacja ulegała dramatycznej zmianie podczas prób nawiązania kontaktu między urządzeniami odległych systemów komputerowych sieci LAN połączonych pakietową siecią teleinformatyczną, a zwłaszcza łączonych przez Internet. Wynika to z faktu, że jakość połączeń stosujących telefonię internetową zależy głównie od dwóch czynników: czasu oczekiwania na przybycie głosu (opóźnianie pakietów) i zniekształceń głosowych (gubienie ramek). Problemy techniczne związane z czasem oczekiwania na transport pakietów, pakowaniem głosu w ramki i rozpakowaniem, nieprzewidywalnym przeciążeniem łączy w poszczególnych fragmentach sieci globalnej, a przede wszystkim brakiem jakichkolwiek gwarancji na dostarczanie przesyłek - uniemożliwiały praktycznie realizację głosu w postaci pakietowej na dalsze odległości. Powszechnie znane zjawisko przeciążeń węzłów sieci rozległej, zupełnie nieakceptowalne z punktu widzenia transmisji głosowych (a tak łatwe do usunięcia w sieci lokalnej), stało się de facto główną barierą dla rozszerzania się usług VoIP w sieciach rozległych.

Podobnie destrukcyjnym elementem transmisji głosowych przez sieć Internetu stała się niedopuszczalna zmienność dostarczania transmitowanych pakietów z zakodowanymi sygnałami mowy, a więc dostarczanie takich pakietów raz po upływie np. 50 ms, potem co 170 ms, później znów po 100 ms. Zapewnienie niewielkich i stałych opóźnień wymaga jednak stosowania rozbudowanych mechanizmów kontroli, a także priorytetowania i buforowania transmitowanego strumienia głosu w poszczególnych węzłach sieciowych IP. Eliminacja wahań opóźnień przesyłanych pakietów (jitter) dokonuje się przez gromadzenie nadchodzących pakietów w buforach (bufory FIFO), jednak takie buforowanie ma ograniczone możliwości korekcji ze względu na wnoszone opóźnienia stałe.

Druga, ulepszona generacja przekazów VoIP (1998 r.) zmniejsza te kłopoty przez dodatkowe wprowadzenie funkcji rezerwacji pasma przez sieć dla sesji głosowych, nadawanie odpowiednich priorytetów przekazom pakietowym transmitującym głos oraz modernizację protokołów transmisji. Podstawowym, choć nie jedynym protokołem rezerwacji zasobów transportowych został wybrany protokół RSVP (Resource Reservation Protocol) - działający w trzeciej warstwie modelu OSI i wspomagający funkcjonowanie protokołu czasu rzeczywistego RTCP (Real Time Control Protocol) warstwy czwartej modelu. Jednakowoż ich pozytywne oddziaływanie na transport głosowy będzie widoczne dopiero wtedy, gdy wszystkie węzły na całej trasie przekazu między urządzeniami końcowymi będą miały te protokoły zaimplementowane, co pociąga za sobą konieczność szerszej modernizacji istniejącej infrastruktury internetowej IP.

Telefonia internetowa IP, czyli pakietowa transmisja głosu VoIP, wymaga instalacji nowych elementów infrastruktury telekomunikacyjnej. W zależności od rozbudowy systemu, jego właściwości użytkowych i postawionych przez użytkownika wymagań systemy transmisyjne IP zgodne ze standardem H.323 mogą zawierać cztery rodzaje elementów:

- terminale (zwykle klasy PC lub specjalizowane), służące bezpośrednio użytkownikom, także wyposażone w kamerę, mikrofon, system głośno mówiący, stos różnych protokołów H.323 oraz aplikacje głosowe lub multimedialne. Dla komunikacji obrazowych potrzebne jest dodatkowe wsparcie dla kodeków standardów H.261 lub H.263;

- bramy H.323/PSTN (gateways), stanowiące kluczowy element telefonii IP - umożliwiające dwukierunkowe translacje między siecią o charakterze pakietowym i publiczną komutowaną siecią PSTN. Bramy IP są elementem niezbędnym tylko wówczas, gdy użytkownicy komunikują się przez niespójne sieci - inne niż pakietowe, a więc przez komutowane linie telefoniczne (PABX), sieci cyfrowe PRI/BRI ISDN czy też łącza telekomunikacyjne E1/T1. Ich właściwe zadanie polega na przeźroczystej komunikacji (translacja protokołów, nawiązanie połączenia, przeformatowanie informacji niespójnych) między wszystkimi typami terminali komunikacji głosowej (telefony analogowe, telefony cyfrowe, stacje robocze).

- węzły nadzorcze (gatekeeper), przeznaczone do zarządzania zestawem, czyli strefą lokalizacji bram. Zwykle są to programy umieszczone w serwerze i umożliwiające administratorowi określanie, jaka część zasobów sieciowych jest angażowana do komunikacji głosowej lub multimedialnej. Usługi nadzorcy zapewniają kontrolę przydzielonego pasma, utrzymanie wartości progowych pasma, co wiąże się z przyjmowaniem bądź odrzucaniem nowych połączeń, oraz translacje adresów IP dla identyfikacji bram i terminali. Funkcja nadzorcy jest na ogół opcjonalnym elementem sieci IP.