H.323是由ITU制定的通信控制协议，用于在分组交换网中提供多媒体业务。呼叫控制是其中的重要组成部分，它可用来建立点到点的媒体会话和多点间媒体会议。H.323定义了介于电路交换网和分组交换网之间的H.323网关（Gateway）、用于地址翻译和访问控制的网守（Gatekeeper）、提供多点控制的多点会议控制器（MC）、提供多点会议媒体流混合的多点处理器（MP），以及多点会议控制单元（MCU）等实体。H. 323是ITU-T开发的IP网络实时多媒体通信协议簇，由呼叫控制、媒体编码、管理控制、网络安全等一系列协议组成。

H.323适用于在底层传输不提供QoS保证的分组网络上进行多媒体通讯的技术需求，主要目的是实现位于不同网络中的终端之间的音视交互通信。

H.323建议定义了的系统组件包括终端，网关（GW），网守（Gatekeeper，简称GK），多点控制（MC），多点处理（MP），多点处理单元（MCU），其中最重要的系统组件为网关和网守。终端、网关和MCU统称为端点，端点可以发起呼叫，也可以接受呼叫，媒体信息流就在端点生成或终结。网守、MC和MP则不可呼叫，但网守参与呼叫的控制，具有运输层地址，是可寻址的H.323实体。

H.323协议栈结构如下图所示。

H.323的语音编码采用相应的G系列建议,其中G.711（PCM)为必备方式,其余为可选方式。视频编码采用H.260系列建议,包括H.261和H.263。上述实时音频和视频编码信号均封装在RTP分组中，RTP的头部提供了供接收端重组信号的定时信息和数据报序号， RTCP协议提供QoS监视功能,它是RTP协议族的一部分。数据通信采用T.120系列建议。H.225和H.245是H.323系统的核心协议,前者主要用于呼叫控制,后者用于媒体信道控制。在H.323中,用于传送媒体信息的逻辑信道就是TCP连接或UDP连接。

SIP是IETF提出的在IP网络上进行多媒体通信的应用层控制协议，可用于建立、修改、终结多媒体会话和呼叫。SIP协议采用基于文本格式的客户—服务器方式，以文本的形式表示消息的语法、语义和编码，客户机发起请求，服务器进行响应。SIP独立于底层传输协议——TCP、UDP、SCTP，采用自己的应用层可靠性机制来保证消息的可靠传送。

基于SIP的IP网络电话系统的协议栈结构见下图。其中,媒体传送层和H.323相同,RTP协议封装PCM编码或各种压缩编码的话音信号后在IP网络上传送,RTCP监测端到端QOS。RSVP用于资源预留。主要协议为SIP,它是文本协议,因而易于用Java、Perl等面向对象语言实现和扩展。从协议栈可以看到,SPI协议栈的低层协议可用TCP或UDP。H.323采用TCP传送呼叫控制信令H.225,由于TCP是通过证实机制保证可靠传送的,在网络负荷较重的情况下,常会发生证实超时,导致呼叫建立时延增加。采用UDP后,可由应用层控制协议消息的定时和重发,并可利用多播机制并行搜索目的用户,无需为每一搜索建立一个TCP连接。

H.323和SIP支持的呼叫控制功能和业务基本相同，但是由于SIP协议简单，采用文本方式，因此具有更好的功能扩展性和网络扩展性，易于实现。H.323具有完备的呼叫和资源管理功能，具有较强的媒体能力协商功能和严格的向后兼容性能。