انتقال صدا و محتوای چندرسانه‌ای بر روی شبکه‌های پروتکل اینترنت (IP) را اصطلاحا VoIP (صدا بر روی IP) می‌نامند. راهکار VoIP با استفاده از یک گروه از تکنولوژی‌های و متدولوژی‌ها جهت انتقال تماس‌های صوتی بر روی اینترنت، شبکه‌های محلی (LAN) یا گسترده (WAN) اداری ممکن می‌شود.
به صورت تاریخی، VoIP به استفاده از IP جهت اتصال (سیستم‌های سانترال) «تبادلات شعبه خصوصی » (PBXها) اطلاق می‌شود، ولی امروزه هم‌معنی با «تلفن IP» (IP telephony) می‌باشد.
VoIP، صدا را با استفاده از یک کدک (Codec) به بسته ‌های داده کپسوله نموده ، آن‌ها در طول یک شبکه IP منتقل نموده و در انتهای دیگر اتصال آن‌ها را با دیکپسوله نمودن مجددا به صدا تبدیل می‌نماید. نقاط انتهایی و خروجی‌های VoIP شامل تلفن‌های VoIP رومیزی اختصاصی، برنامه‌های Softphone اجرا شده بر روی کامپیوترها‌ی شخصی و موبایل‌ها و همچنین مرورگرهای دارای قابلیت WebRTC می‌باشند.
سیستم VoIPبا حذف به‌کارگیری «شبکه‌های سوییچ مداری » برای صدا، هزینه‌های زیرساخت شبکه را کاهش داده، سرویس‌دهنده‌ها را قادر به ارائه سرویس‌های صدا (Voice) بر روی شبکه‌های خصوصی و باند پهن خود نموده و سازمان‌ها را قادر به پیاده‌سازی و استفاده از یک شبکه داده و صدای واحد می‌نماید. سیستم VoIP همچنین از کارآمدی بالا و قابلیت ارتجاعی  شبکه‌های مبتنی بر IP به سود خود استفاده نموده و امکان بازیابی سریع به هنگام خرابی‌ها و اتصالات افزونه  میان نقاط پایانی و شبکه‌ها را فراهم می‌نماید. استانداردها و پروتکل‌های VoIP
نقاط پایانی VoIP عموما از کدک‌های استاندارد "اتحادیه ارتباطات تلفنی بین‌المللی " (ITU) مانند G711 که استاندارد مورد استفاده جهت انتقال بسته‌های غیرفشرده بوده و یا از کدک G729 به عنوان استاندارد برای بسته‌‌های فشرده استفاده می‌نمایند. همچنین بسیاری از سازندگان تجهیزات از کدک‌های اختصاصی خود استفاده می‌نمایند. ممکن است کیفیت صدا در صورت استفاده از فشرده‌سازی دچار کاهش شود، ولی فشرده‌سازی  نیازمندی‌های پهنای باند را کاهش می‌دهد. VoIP معمولا با استفاده از پروتکل ITU T38 از ارتباطات غیرصدا همچون ارسال فکس بر روی شبکه VoIP یا IP به صورت زنده پشتیبانی می‌نماید.
پس از کپسوله شدن صدا درون IP، عموما از طریق پروتکل انتقال همزمان  و یا نمونه رمزنگاری شده آن یعنی پروتکل انتقال همزمان امن منتقل می‌گردد. از «پروتکل آغاز جلسه » (SIP) عموما جهت سیگنال‌دهی مورد نیاز برای ایجاد، نگهداری و پایان دادن به تماس‌ها استفاده می‌شود. در داخل شبکه‌های خصوصی یا سازمانی، عموما از «کیفیت سرویس» (QoS) جهت اولویت‌دهی ترافیک صدا نسبت به دیگر برنامه‌های غیرحساس به تاخیر (non-latency) به منظور کسب اطمینان از حصول کیفیت صدای قابل قبول استفاده می‌شود. معماری شبکه VoIP: همانطور که در این معماری مرجع ابتدایی نمایش داده شده، یک پیاده‌سازی VoIP عادی از المان‌های عملکردی متعدد تشکیل شده که هریک دارای ریسک‌های امنیتی مختص خود می‌باشد. نکته مثبت این است که تنها تعداد معدودی از این ریسک‌ها، مختص VoIP می‌باشند. اجزای اضافی یک سیستم VoIP عادی شامل موارد زیر می‌باشند:
•    یک IP-PBX جهت مدیریت شماره تلفن‌های کاربران، تجهیزات، قابلیت‌ها و کلاینت‌ها
•    دروازه‌ها (Gateways) جهت اتصال شبکه‌‌ها و تامین  بازیابی خطا (failover) یا امکان عملکرد در سطح محلی (Local) در صورت وقوع قطعی شبکه
•    «کنترل‌گرهای محدوده جلسه » (SBC) جهت تامین امنیت، مدیریت سیاست-تماس و اتصالات شبکه
همچنین یک سیستم VoIP می‌تواند شامل موارد اضافه زیر باشد:
•    پایگاه‌‌های داده تعقیب مکانی برای مسیردهی تماس E911 (تماس اضطراری بهبودیافته)
•    زیرساخت‌های مدیریتی جهت جمع‌آوری آمارهای کارآیی  تماس به منظور مدیریت کیفیت صدا