Zawsze jednak należy mieć na uwadze, że uzyskanie transmisji w czasie rzeczywistym wymaga utrzymania parametrów jakości QoS we wszystkich ogniwach transmisyjnych uczestniczących w procesie przekazu "od końca do końca" - co wcale nie jest łatwe. Od strony formalnej nie ma obecnie przeszkód, aby seanse wideokonferencyjne prowadzić przez Internet (działający przecież z protokołami IP), jednakże zadowalającą jakość takich przekazów będzie można uzyskać dopiero po zapewnieniu odpowiedniego skalowania we wszystkich ogniwach pośrednich - czyli po zapewnieniu odpowiedniej szerokości pasma transmisji. Heterogeniczność sieci Internet i jej stosunkowo niewielka przewidywalność zachowań nadal utrudniają utrzymanie parametrów czasu rzeczywistego, chociaż sieci IP wykonane w technologii IP over ATM zapewniają - co wynika z samej istoty ATM - odpowiednią jakość QoS, wymaganą szerokość pasma i izochroniczność usług. Zwłaszcza jeśli do zapewnienia odpowiednich zasobów na potrzeby konferencji (głosowych bądź obrazowych) w sieciach IP korzysta się z protokołów czasu rzeczywistego RSVP (Resource Reservation Protocol) czy IP multicast.

Zaproponowany przez ITU (1996 r.) standard H.323 był przeznaczony początkowo jedynie do obsługi telekonferencji w sieciach ISDN. Został rozszerzony o komunikację czasu rzeczywistego przez sieci pakietowe z protokołem IP i jest obecnie szeroko stosowany jako podstawowy standard wideokonferencyjny środowiska IP. Protokół ten jest jednak stopniowo wypierany przez nowszy, bardziej sprawny protokół sygnalizacyjny SIP (Session Initiation Protocol) - wprowadzony przez IETF (Internet Engineering Task Force), głównie z przeznaczeniem do obsługi aplikacji głosowej VoIP.

Dopiero od niedawna znajdują się w eksploatacji, komplementarne w stosunku do poprzednich protokołów H.323 i SIP, dwa najnowsze rozwiązania komunikacyjne: protokół MGCP (Media Gateway Control Protocol) - opracowany przez IETF - oraz MEGACO/H.248 (IETF razem z ITU), przeznaczony do sygnalizacji między sterownikami sieci pakietowej a bramami dostępowymi MGW (Media Gateway) tej sieci. Są one kluczowe na drodze dalszego rozwijania usług wideokonferencyjnych przez sieci pakietowe IP, zapewniając realizację tych połączeń "od końca do końca", między dowolnymi typami terminali wideokonferencyjnych i urządzeniami końcowymi sieci następnej generacji - NGN (Next Generation Network).

Elementy wybranych rozwiązań firmowych

Duża różnorodność istniejących produktów i zastosowań systemów wideokonferencyjnych powoduje, że klasyfikacja rozwiązań terminalowych jest trudna. Wśród wielu możliwych najbardziej uniwersalną wydaje się klasyfikacja stacji końcowych według ich funkcji, ujmująca następujące rozwiązania:

tradycyjnie najprostsze terminale komputerowe klasy PC (desktopowe), obsługujące jedynie dwóch uczestników sesji wideo;

terminale specjalizowane (wideoterminale) z powiększonym ekranem i większą rozdzielczością obrazu, przeznaczone do obsługi sal konferencyjnych (możliwość zdalnego sterowania, obrotowe kamery naprowadzające itp.);

wideoterminale z serwerem, do prowadzenia kilkupunktowych sesji wideokonferencyjnych (IP/ISDN), dedykowane dla grup roboczych i średnich firm. Obsługują zwykle nie więcej niż czterech użytkowników sesji;

dedykowane bądź uniwersalne zestawy wielostanowiskowe (do kilkunastu stanowisk, szybkość LAN powyżej 10 Mb/s) wraz z serwerami usługowymi, umożliwiające operowanie w dowolnym środowisku teleinformatycznym. Są zaopatrzone w bramy H.320/H.323 i kontrolery, wraz ze wszelkimi interfejsami do współpracy z sieciami ISDN, ATM czy V.35, oraz działają zgodnie z protokołem IP. Dodatkowo można je także doposażyć w mostki rozszerzające liczbę terminali do kilkunastu lub nawet kilkudziesięciu stanowisk.

Przyszłość usług wideokonferencyjnych wiąże się z rozwojem różnorodnych stacji terminalowych zdolnych do tworzenia połączeń za pomocą protokołów IP, obecnie najczęściej jako ISDN/IP. Rygorystyczne utrzymanie wytwarzanych produktów w standardach H.320/H.323 zaczyna umożliwiać współpracę produktów pochodzących z różnych firm, chociaż nadal wiąże się to z pewnym ryzykiem niezgodności działania w sytuacjach krytycznych. Stosowane niekiedy przez firmy pewne uproszczenia w produktach powodują, że największą pewność współdziałania wielu urządzeń uzyskuje się nabywając produkty pochodzące z jednej firmy, najlepiej o ustalonej marce. Coraz częściej jednak implementacją zarówno zwykłych, jak i specjalizowanych aplikacji zajmują się firmy trzecie (integratorzy usług wideokonferencyjnych), które we własnym zakresie rozwiązują programowo problemy współdziałania produktów pochodzących od wielu dostawców.