国外自70年代起就开始研究计算机网络上的话音通信，当时主要是基于ARPANET网络平台进行研究和试验。1974年8月首次分组话音通信实验，在美国西海岸南加州大学的信息科学研究所(ISI)和东海岸的林肯实验室(IL)之间进行，话音编码为9.6khit/s的连续可变斜率增量调制(CVSD),并采用静音检测技术降低比特率。1974年12月线性预测编码(LPC)声码器首次用于分组话音通信实验，比特率为3.Skhit/s通话范围也是从美国东海岸到西海岸。1975年1月又首次在美国实现使用LPC声码器的分组话音电话会议。

　　在研究中，ISI提出了分组话音通信协议NVP(Network VoiceProtocol)和ST(STrearn)。如图所示：

两个计算机之间的数据通信是通过运输层协议TCP和网络层协议IP完成可靠传送的。为了减小时延，话音信号经NVP协议封装后直接交给ST处理后传给网络，呼叫控制信令则由NVP交给IP处理后传给网络，二者都不经过TCP层。IP和ST同属于网络层，但是IP提供的是无连接的数据报服务，ST提供的是面向连接的虚电路服务，其目的是保证话音分组传送的时序完整性，减轻NVP的处理负担。图中两个分组网络可以是异构网络，经由网关互联。这是最早提出的分组话音通信网络协议，对以后的研究颇有考虑价值。Internet工程任务组(IEfF-IntemetEngi?neeringTaskForce)于1977年颁发了关于分组话音通信协议的讨论文件RFC741。

　　在当时的实验中，话音质量不能令人满意。其主要原因是网络速度慢。70年代初投入运行的ARPANIT的干线链路带宽仅为50khit/s,为典型的窄带分组交换网。另外，当时低比特率话音编码技术还很差，编码质量不好。但是通过实验至少表明，在基于TCP/IP的计算机网上进行话音通信是可行的。

　　由于在广域网上进行分组话音通信的时机尚不成熟，80年代的研究主要集中在局域网上的话音通信，因为70年代后期已推出带宽可达Mbit/s量级的价格较为低廉的以太网。最早的实验由英国剑桥大学于1982年在10Mbit/s的剑桥环形网上进行的，其后，意大利、美国英国等许多国家的学者在总线型局域网、令牌环网、3Com以太网上进行了实验，深入研究了分组时延的原因、分组话音通信协议、链路利用率和话音分组同步等问题，并试制了电话网和局域网的接口模块，获得了许多有意义的结果。

　　国内以南京通信工程学院为代表的一些高校和科研单位也自80年代中期开始进行局域网上的分组话音通信研究，对汉语话音的通—断模型、最佳话音分组长度、话音分组丢失率的分布规律等问题作了深入的研究，并设计实现了话音数据综合局域网实验系统。由于网络条件所限，研究结果主要在于其理论意义。

　　进入90年代后，特别是近儿年来，随着Internet在全球范围内的兴起和话音编码技术的发展，IP分组话音通信技术获得了突破性的进展和实际应用。最初的应用只是在网络游戏等软件包中传送存储话音信息，它对话音质量要求低，相当于机器人的声音效果。其后计算机厂商纷纷推出对等方式或客户机服务器方式话音通信免费软件，它们利用计算机中的声卡对话音进行打包传送，话音一般不进行压缩。90年代中期开始，有关厂商开始开发用于局域网话音通信的网关产品，实现局域网PC机间的话音通信以及经PBX和外界电话的通信，但这些产品都采用内部协议规范。与此同时，以Dialogic和NMS公司为代表的电路制造商推出了PSTN中继电路板、信令链路板、PCM至各种低比率话音编码转换的数字信号处理板，这些专用电路板的问世推动了网关产品的集成开发。1996年，经过各国专家数年的努力，ITU-T通过了局域网上支持可视电话通信的网络协议，即著名的H.323协议。这一协议的推出，成为IP网络电话系统的公共规范。极大地推动了IP电话的发展，使之进入公用电话网服务。其中，以色列的VocalTec公司是最早推出电信级IP电话网关设备的「商。与此同时，IETF也在积极制订IP电话通信的网络协议，就是基于SIP(SessionInitiationProtocot)的控制协议。不少厂商已推出或正在开发直接插在计算机网络上使用的IP电话终端。

　　我国电信网已开始进行基于网关的IP电话网络试验，其中中国电信采用VocalTec公司的产品，中国联通和吉通公司分别采用美国CISCO和Clarent公司的产品，2000年将在全国推广。

　　在国际上，关于IP网络电话的技术研究和标准化工作正在继续深入进行，其主要目标是进一步确保话音质量、完善网络管理、解决不同运营商之间的互操作性问题以及向IP网络上的多媒体通信演进。