Deux étapes doivent être effectuées avant de pouvoir transmettre la voix sur internet:
 

• La numérisation de la voix pour la transformer en paquets IP et la transporter sur le réseau comme n'importe quel type de données.

• La compression de la voix pour qu'elle puisse passer suffisamment vite sur le réseau internet

Ces deux étapes ne suffisent pas à mettre en communication deux ordinateurs distants. Ils doivent parler le même langage, dans ce domaine, c'est la norme H323 qui fait référence. En fait il existe différentes normes qui régissent les communications en visioconférence et tous les systèmes qui les respectent, sont compatibles entre eux:
 
 

• H320: norme qui concerne les communications sur ligne RNIS (ISDN). Elle est commune à beaucoup de systèmes de visioconférence sur le marché, ce qui assure une interopérabilité.

• H323: norme pour la visioconférence sur LAN au travers du protocole TCP/IP. Elle permet à deux (ou plusieurs) postes qui sont en réseau, d'effectuer une visioconférence.

• T120: norme qui permet de transférer des fichiers, partager des applications, partager un tableau blanc électronique et envoyer des messages.

Malgré les efforts de normalisation, les passerelles destinées à transformer la voix en paquets IP ne sont pas compatibles entre elles et les utilisateurs de logiciels différents ne peuvent pas communiquer entre eux.
 

Le réseau internet déjà encombré, peut éliminer les paquets ce qui donne un aspect haché à la communication. Un nouveau protocole permet de garantir la liaison vocale (RSVP: Resource Reservation Protocol), mais tous les routeurs du réseau ne gèrent pas ce protocole.
 

Les avantages de la vidéoconférence sont donc la réduction des coûts téléphoniques, en particulier pour les communications internationales et la possibilité de pouvoir transmettre des fichiers, images, sons, écritures ou encore de partager des applications.