Ze względu na swoją elastyczność i bliskość sieciom IP, SIP staje się obecnie standardem dla istniejących i powstających rozwiązań komunikacji głosowej i wideo. Komponenty SIP, takie jak SDP, są np. używane w WebRTC do definiowania charakterystyk sesji. SIP został zbudowany w oparciu o HTTP i oryginalnie zaprojektowano go do obsługi internetowych konferencji multimedialnych. Architekturę protokołu SIP tworzą dodatkowo jeszcze dwa inne protokoły sygnalizacyjne: Session Description Protocol (SDP) i Session Announcement Protocol (SAP).
Składniki protokołu H.323 Protokół H.323 definiuje cztery podstawowe składniki systemu przesyłającego w czasie rzeczywistym dane multimedialne: terminale, bramy, gatekeepers, jednostki kontrolne MCU (Multipoint Control Units).
Terminale pozwalają przesyłać dane multimedialne w czasie rzeczywistym. Terminale muszą zawsze obsługiwać dane audio (głos), a opcjonalne moduły terminalu mogą też przesyłać dodatkowo obrazy i dane.
W sieciach IP do przesyłania pakietów zawierających głos jest używany protokół UDP (User Datagram Protocol). Protokół ten nie przewiduje stosowania znaczników czasu, dlatego nie może kontrolować opóźnień.