Um Voice over IP zu nutzen ist der Einsatz von Standards notwendig, um eine weltweite größtmögliche Kompatibilität zwischen Geräten unterschiedlicher Hersteller zu erreichen. Eine vollständige Kompatibilität ist jedoch kaum möglich, weil Hersteller stets bestrebt sind, eigene proprietäre Features zu implementieren, um sich von den Wettbewerbern abzuheben.

Die wichtigsten Standards werden von der ITU-T (International Telecom Union - Telecommunication) und von der IETF (Internet Engineering Task Force entwickelt. Die ITU geht aus einer Unterzeichnung einer Konvention zur Zeit der Telegrafie im Jahre 1865 hervor, als zunächst 25 Länder beschlossen, Ihre unterschiedlichen Telegrafensysteme zu vereinheitlichen. Die ITU wird von den Länderregierungen der teilnehmenden Staaten unterhalten.

Die IETF ist hingegen eine für jeden offene Gemeinschaft von Experten, die Standards für Internet-Technologien entwickelt.

Beide Organisationen entwickeln teils konkurrierende Standards, arbeiten aber auch in einigen Bereichen zusammen bzw. integrieren Entwicklungen der jeweils anderen Seite in eigene Systemkonzepte.

Um Anrufe zu tätigen ist eine Kommunikation zwischen den Endgeräten im Vorfeld eines Gespräch notwendig, die als Signalisierung bezeichnet wird. Hierfür hat die ITU den Standard H.323 für paketbasierte Netze entwickelt. Der Standard ist ursprünglich als Derivat zu einem ISDN-Videokonferenzsystem mit der Bezeichnung H.320 entstanden, das vor einigen Jahren als Bildtelefon nach kurzer Marktpräsenz kurzerhand wieder vom Markt verschwunden ist. H.323 ist im Wesentlichen eine Umsetzung von H.320 von leitungsgebundener Telefonie auf Paketnetzverfahren.

Ohne Videofunktion wird H.323 für Voice over IP-Anwendungen eingesetzt und spielt seine Vorteile der ISDN-Abstammung aus: Hier werden ISDN-typische Informationen über das IP-Netzwerk übertragen. H.323 haftet jedoch der Nachteil eines komplexen, starr definierten Multimedia-Systemkonzepts an, das nicht für flexible Einsätze außerhalb der üblichen Telefonie- und Videokonferenzanwendungen geeignet ist. Das nachfolgend vorgestellte SIP-Protokoll zeigt, dass Signalisierung auch für andere Anwendungen abseits von Telefonie- und Videokonferenzanwendungen mit einem flexiblen Protokoll durchgeführt werden kann. Im Unterschied dazu ist H.323 fest mit zahlreichen anderen Standards für Detailaufgaben eines Audio- /Videokonferenzsystems verwoben ist.

Andererseits kann H.323 auf eine lange Entwicklungsgeschichte zurückblicken und hat einen hohen Reifegrad erreicht, weshalb es für Voice over IP-Anwendungen durchaus geeignet ist.

Das Session Initiation Protocol (SIP) der IETF verfolgt hingegen einen Internet-basierten Ansatz. Es lehnt sich an bekannte Internettechnologien wie HTML und E-Mail an und schafft eine nahtlose Integration in die Internet- Protokollarchitektur. SIP behält sich dabei unterschiedlichste Einsatzszenarien vor und beschränkt sich auf Signalisierungsaufgaben. Deshalb kann SIP gemeinsam mit anderen Protokollen für verschiedene Zwecke eingesetzt werden. Beispielsweise wird es neben Voice over IP auch für Instant Messaging-Anwendungen eingesetzt.

Inzwischen strebt der Markt in Richtung SIP. Selbst Hersteller und Provider, die in der Vergangenheit auf H.323 gesetzt haben, sind inzwischen auf den SIP-Zug aufgesprungen, um die Marktchance einer breiten Einführung der IP- Telefonie nicht zu verpassen.

Auch im UMTS-Bereich wurde eine Entscheidung für den Einsatz von SIP bei IP- basierten Multimedia-Anwendungen getroffen, wobei jedoch nicht speziell an IP-Telefonie gedacht worden ist - im Gegenteil: Der Einsatz von SIP-Diensten könnte sich als Problem für die UMTS-Provider erweisen, weil der damit ermöglichte Einsatz von IP-Telefonie auf den Endgeräten an den eigentlichen UMTS-Gesprächstarifen vorbei führen könnte: Anwender könnten zu günstigeren Datendienst-Gebühren mit Hilfe von VoIP telefonieren.

SIP hat sich zweifellos gegenüber H.323 durchgesetzt. Trotzdem werden noch für einige Jahre Produkte angeboten werden, die auf H.323 basieren. Diese müssen nicht schlechter sein und können in geschlossenen Unternehmensbereichen bedenkenlos eingesetzt werden. Lediglich im öffentlichen Bereich macht eine Neuanschaffung von H.323-Produkten keinen Sinn mehr, weil fast alle Provider inzwischen ausschließlich SIP einsetzen.

Glücklicherweise ist eine Umsetzung zwischen H.323- und SIP-Systemen möglich, weil beide Verfahren dasselbe Echtzeit-Protokoll für die Sprachübermittlung und dieselben Sprachcodierungen einsetzen. Das Protokoll nennt sich Real Time Protocol (RTP) und setzt auf ungesicherter Datenübertragung mit Hilfe des UDP-Protokolls auf, welches wiederum das Internet Protocol (IP) als unterliegende Protokollebene einsetzt.

Der Einsatz von RTP sowohl bei H.323 als auch bei SIP vereinfacht die Entwicklung von Gateways, die Sprache zwischen beiden Systemen übermitteln können. Inzwischen sind auch hybride Systeme auf dem Markt, die beide Verfahren unterstützen.

Ein gesicherter Datentransport wie bei Dateiübertragungen kann bei Telefongesprächen nicht durchgeführt werden, weil diese Daten in Echtzeit übertragen werden müssen. Bei Verlust eines Datenpakets im Netzwerk macht ein wiederholter Versand wie beim verbreiteten TCP-Protokoll keinen Sinn - das Paket käme auf jeden Fall zu spät beim Empfänger an, so dass eine Tonstörung bereits aufgetreten wäre.

Lediglich H.323- oder SIP- Signalisierungsdaten können optional auch über gesicherte Transportdienste übertragen werden. In diesem Zusammenhang wurde das Protokoll SCTP für Signalisierungszwecke entwickelt, das sich anschickt, in Zukunft das TCP-Protokoll auch in anderen Bereichen zu ersetzen