释放双眼，带上耳机，听听看~！

00:00

  IP语音（VoIP）指先获取说话人的语音、再把它数字化、组装成便于在Internet和Web上传输的统一的IP分组，然后把这些数字语音送到IP网络。这里的IP网络视情况而定，可以是一个局域网（如小型的Intranet）、或者是一个基于IP的专用广域网、可以是专用企业外部网的逻辑网络（如个虚拟网络，VPN）的IP混合网、也可以是一个顿中继网络或者ATM网络，或者是全球Internet。在什么网上传输对VoIP来说并不重要，只要这个网络基丁IP协议就行了。对网络服务供应商来说，这也是IP的一个很有吸引力的特点：（对某项业务来说）只要是IP网络，就不限制网络的类型。在支持IP协议的各种类型的网络上从IP分组结构到对IP分组的操作都没有大的差别。IP是一个以普遍应用为目的的网络协议，可以支持IP分组从某个特定的网络传输到另一个特定的网络。

       和文件传输、E-mail一样，数字语音也是IP分组应用的一个特例。只不过IP分组里的0和1代表的是人们的语音信息。

       许多科学家都认为，人类不同于哺乳动物的根本特征是人类能够相互交谈。由于进化的时问不够长，使得人脑与猿脑还没有根本的差别，对DNA的研究也证明了这一点。人出生后，语言就学得很快。看起来，是人类的语言决定了人类大脑的许多不同之处，使得人们能和亲人对话，而动物却做不到。这一点让科学家感到很奇怪，因为传统的看法是把人类语言归囚于人大脑结构的特别之处而不是相反。人类有更大更复杂的脑是因为人类有更多更复杂的思想需要用语言来表达。例如，人在5岁到11岁之间时，平均每天学习两到三个单词，这正是因为需要学这么多单词来表达自己日益复杂的思想。

       不管怎样，只有人类才能把语言当作口常社会交往的基本工具。因为人类社会遍布全球，所以人类需要保持口头的交流，这就促使了全球范围内电话网的建立与发展，而今又是同样的原因使得人们必须把语音引入到全球Internet上。

       语音也就是人类语言，是出肺部空气呼出时振动声带而产生，舌和唇对语音的最终形成也有一定作用。技术上把语音分解为音素（译者注：一种特定的语音基本单位）。这种振动的频率（每秒振动次数）在一定的范围之内，对不同的民族来说，频率范围相差不大，不过如果要仔细地考究，就能够根据语言频率范围的细微差异区分开不同的民族。研究表明，如果个儿童到7岁时还没有学会某种特定的准确发音，那么他（她）以后可能再也不会发这个音了。也是因为同样的原因，当一个人在长大以后开始学一门外语时，他（她）讲的外语就像带有很浓重口音。语音可以分为叫做“单词”的语音单元，单词可以组成词组，词组又可以组成句子等。

       人们说话所能够听到的距离，不但与声音的强度有关，而且还跟天气的因素有关。有的声音强度高，有的声音强度低，而声音强度是声音的个特征，这个特征对本章来说较为重要。语音是一种传输在空气中的压力波，出嘴发出，耳朵听到。就像发自音乐器材、动物响哮、鸟儿叫的声音样、语音压力波是一种可听波。压力波和在动力系统、无线蜂窝电话系统、电视系统、数据网络等中的电波根本不同。可听波依赖空气传播，所以空气越稀薄（例如在海拔很高的地方），声音强度越小。水的密度很大，所以它传导声音的本领很强，以致人们在空气中能够很容易的分辨出发声位置，然而在水中却不能够，在水中听起来，声音好像米自四面八方。           
       声音作为一种可听波，属于模拟信息，这就是说，这种波的振幅在最大值和最小值之间变化，可以取其中任意大小的值。声音可以以多种方式来描述，例如摩擦音、唇音等。不过从量化技术上描述声音最简单的方法是把大振幅的声音称作浊音（voicedsounds）.而把小振幅的声音称作清音（unvoicedsounds）。在英语中，浊音包括元音，例如“a"o”和“u”等。浊音在喉部产生，直接由声带的位置决定。清音指辅音，例如：“b"、“t”、“v"等等。像空气直接经过声带产生浊音一样，经过舌和唇时产生清音。通常情况下，浊音振幅大约在清音振幅的20倍以上，携带着人类语言的绝大部分能量。但当元音相同时，耳朵分辨一个音节是靠清音的，就像我们在听"belt"，“felt”和"melt”时一样。