先來看下視頻會議的定義：兩人或兩人以上使用某種音視頻設備，通過互聯網傳輸，實現雙方或多方能夠看到彼此的視頻、聽到彼此說話，進而達到通過網絡視頻開會的目的。

視頻會議采用目前最先進的網絡通訊技術，適用于視頻會議的網絡技術標準有： H.320協議（用于ISDN上的群視頻會議）、H.323協議（用于局域網上的桌面視頻會議）、H.324（用于電話網上的視頻會議）、H.310（用于ATM和B-ISDN網絡上的視頻會議）和H.264（高度壓縮數字視頻編解碼器標準）。其中H.323協議成為目前應用最廣最通用的協議標準，而H.264是目前最先進的網絡音視頻編解碼技術。

表面上看來簡單，但背后的流程卻很復雜，實現視頻會議，需要由5個環節構成：采集、編碼、傳送、解碼、播放。

語音采集指的是從麥克風采集音頻數據，即聲音樣本轉換成數字信號。其涉及到幾個重要的參數：采樣頻率、采樣位數、聲道數。

當一個音頻幀完成編碼后，即可通過網絡發送給通話的對方。對于語音對話這樣Realtime應用，低延遲和平穩是非常重要的，這就要求我們的網絡傳送非常順暢。當對方接收到編碼幀后，會對其進行解碼，以恢復成為可供聲卡直接播放的數據。

完成解碼后，即可將得到的音頻幀提交給聲卡進行播放，這樣參加會議的人就可以看到和聽到對方的畫面和聲音了。