همانگونه كه در مطلب قبلی گفتيم، بستههای VOIP يكی پس از ديگری از سمتی ارسال و در سمت ديگر بافر میشوند و پس از رسيدن بافر به اندازهای مشخص (و يا گذشتن زمانی از پيش تعيين شده) صدا پخش میشود. اين كار در حالت ايدهآل به نحوی انجام ميگيرد كه شنونده صدا متوجه هيچ تاخيری در شنيدن صدا نشود.
تاخير صدا به عنوان يكی از مهمترين عاملهای كيفيت صدا نقش مهمی در شكلگيری يک ارتباط صوتی مطلوب دارد. چنانچه اين تاخير از حدی بيشتر شود، ادامه مكالمه ميسر نخواهد بود. اين همان تاخيری است كه شايد در هنگام يک مكالمه تلفنی راه دور كه با استفاده از كارت تلفنی انجام ميگيرد، متوجه آن شده باشيد. چنانچه تاخير صدا بيشتر از 200 ميلي ثانيه شود، مكالمه تلفنی را از حالت مطلوب خارج میكند و كاربران را دچار مشكل میسازد. هر اندازه اين تاخير كاهش يابد به يک مكالمه ايده آل تلفنی نزدیک تر میشويم.
عامل تاخير صدا به عنوان بزرگترين چالش در فناوری VOIP مطرح بوده و هست. تاخير صدا به علت تكنولوژی انتخاب شده در شبكههای مخابراتی سنتی در عمل ناچيز و قابل چشمپوشی است اما در VOIP همه چيز به طور كامل متفاوت است. راهكارهای مختلف كه به منظور كاهش تاخير اعمال شدهاند و همچنين پيشرفت فناوری ارتباطات و اينترنت موجب شده است كه تاخير يک ارتباط VOIP كه در گذشتهاب نه چندان دور به بيش از 600 ميلب ثانيه میرسيد و در عمل ادامه مكالمه را ناممكن ميساخت به حد مطلوب 100 ميلي ثانيه برسد.
به منظور مقابله با تاخير صدای احتمالي كه به هر دليل و از جمله ترافيک بالای شبكه ارتباطي ايجاد میشود، تدابير واكنشی متعددی انديشيده شده است. در ارتباطاتي كه به صورت متقابل (interactive) هستند، بستههای صدايی كه خراب میشوند دوباره ارسال نمیشوند. اين كار باعث افت كيفيت صدا میشود در حالي كه تاخير را نامحسوس میسازد. بنابراين در اين گونه ارتباطات به طور معمول از پروتكل UDP در لايه ارسال استفاده میشود. در حالی ارسال صدا به صورت offline انجام گيرد، اين بستهها دوباره ارسال ميشوند تا بهترين كيفيت ممكن حاصل شود. در اين موارد پروتكل TCP در لايه ارسال بهترين انتخاب است.
اصلاح خطا به صورت (FEC (Forward Error Correction يكی ديگر از تدابيری است كه در هنگام خرابی بستهها و براي جلوگيری از تاخير صدا و افت كيفيت آن انديشيده میشود. به اين ترتيب، وسيله دريافت كننده صدا دارای اين قابليت است كه در صورت خرابی بستهها، آنها را اصلاح و بازسازی كند. اين كار كه هزينه سختافزاری بالاتری میطلبد و نياز به اطلاعات جانبی و مكملی دارد كه كار شناسايی و اصلاح خطا را ميسر میسازد. اين اطلاعات در همان بسته VOIP جای می گيرند و البته حجم بسته و ترافيک شبكه را افزايش می دهند!
شناسايی صدا Voice Activity Detection كه از صورت مخفف آن به نام VAD استفاده می شود و به دنبال آن، شلوغی آرامش بخش (Comfort Noise) از ديگر تدابير هوشمندانه در زمينه كاهش ترافيک شبكه هستند.
در سيستم های معمولی تلفنی و از جمله VOIP همواره از هر يک از دو دستگاه برقرار كننده ارتباط كار نمونهبرداری صدا و ارسال انجام میشود. حال چه كسي در حال صحبت كردن باشد و يا نباشد. در نظر داشته باشيد كه در يک مكالمه معمولی تلفنی در هر زمان تنها يكی از طرفين در حال صحبت هستند و فرد ديگر در حال شنيدن است. به علاوه زمان نهايی نيز وجود دارد كه هيچ يک از طرفين صحبت نمیكنند و برای مثال به موضوع خاصی فكر می کنند. حال اگر بتوانيم كاری كنيم كه هر يک از دو دستگاه ارسال كننده صدا تنها زمانی اقدام به اين كار كنند كه صدايی با ارزش در محيط وجود داشته باشد، به مقدار زيادی ترافيک شبكه را كاهش دادهايم. همين ايدهی ساده در بسياری از گوشیهای VOIP موجب اضافه شدن وسيلهای به نام (VAD (Voice Activity Detector شده است. كار اين وسيله تشخيص صدا در محيط و تعيين فرستادن يا نفرستادن آن است.
با به كار گيری VAD در گوشیهای VOIP اين مشكل پيش آمد كه همواره فرد مقابل كه در زمانی هيچ گونه صدايی را نمیشنيد احساس كند كه مكالمه قطع شده است. به منظور رفع چنين مشكلاتی يك تدبير هوشمندانه ديگر انديشيده شد كه به شلوغی آرامش بخش معروف است. با استفاده از اين تكنيک، همواره در صورت ارسال نشدن صدا از فرستنده، صدايی شبيه به برفک (به صورت آن چه معمولا در هنگام مكالمه تلفنی شنيده میشود) در گوشی دريافت كننده شنيده می شود كه او از ادامه برقراری ارتباط مطلع می سازد.