Для преобразования аналогового голосового сигнала в набор цифровых пакетов, передачи их по IP-сети и последующего восстановления из этих пакетов слышимого голоса были разработаны специальные голосовые кодеки. На рынке существует масса кодеков, многие из которых бесплатны. Кодеки отличаются по качеству звука и по нагрузке на сетевые и вычислительные ресурсы. За немногими исключениями, кодеки осуществляют сжатие данных с целью снижения загрузки сети, но при этом используют большее количество ресурсов памяти и процессора и/или осуществляют передачу  голоса более низкого качества к принимающей стороне. Чем меньше потребление кодеком сетевых и вычислительных ресурсов для достижения одного и того же качества звука, тем более качественным он считается.

G.711 является довольно распространенным кодеком с высоким битрейтом, открытыми исходными кодами и отсутствием денежных отчислений за его использование. Этот кодек не подлежит лицензированию, потребляет очень скромные вычислительные ресурсы и выдает наилучшее качество, правда, создавая при этом довольно высокую нагрузку на сеть. С другой стороны, G.723 и G.729 (защищены патентом в некоторых странах) дают в 3-4 раза меньше нагрузку на сеть, чем G.711, но создают большую нагрузку на процессор и память при чуть худшем качестве звука. На рынке представлено множество других бесплатных и лицензируемых кодеков, каждый со своим балансом нагрузки на вычислительные/сетевые ресурсы и качеством звука.

Каждый сервис или станция VoIP поддерживают несколько разных кодеков. Для успешного обмена данными две станции должны согласовать общий кодек, который они будут использовать. Несмотря на то, что проблемы, связанные с несовместимостью кодеков или с недостатком общих кодеков у неоднородных инфрастуктур довольно редки, обнаружить их бывает очень сложно. Ошибки в SIP-сессии можно определить, наблюдая несоответствие кодеков (проиллюстрировано с помощью CommView на рисунке выше).