La téléphonie IP s'est heurtée pendant des années à l'absence de jeu d'instructions standard permettant à deux téléphones IP de dialoguer directement, sans l'intermédiaire d'une passerelle. Pour combler cette lacune, les constructeurs proposaient une architecture centralisée, mal adaptée aux propriétés d'Internet. L'IETF a donc publié en 1999 le protocole d'ouverture de session SIP (Session Initiation Protocol). De niveau 7 (couche application), il permet à deux téléphones IP de créer et de terminer seuls une session IP.

A l'origine, SIP a été conçu pour gérer des conférences téléphoniques sur des réseaux IP. Contrairement à H.323 et à MGCP, qui sont les deux protocoles les plus utilisés, SIP ne prend pas en charge le transport de la voix et souffre du manque de fonctions de téléphonie classique, qui ne sont pas encore définies. En revanche, SIP est plus simple et garantit des implémentations réellement standards.

Lorsqu'un téléphone SIP se connecte au réseau IP, il signale sa présence à une passerelle spécifique (proxy SIP) installée dans l'entreprise ou chez un prestataire externe. Cette passerelle n'a pas pour objet de régir les communications, elle se contente seulement de recenser les équipements SIP disponibles. Le proxy SIP met à jour l'annuaire LDAP qui indique l'adresse IP du téléphone et les opérations autorisées. Ce proxy dialogue avec un serveur DNS pour assurer la correspondance entre le nom de domaine de l'équipement et une adresse IP. Le téléphone appelant interroge son serveur proxy pour localiser le téléphone destinataire (son adresse IP) et, s'il est disponible, engage le dialogue.

Les deux téléphones disposent alors de toutes les informations nécessaires pour établir une communication directe, sans passer par un serveur central qui régirait la connexion. Le dialogue s'effectue à l'aide de messages SIP au format texte qui circulent sur l'infrastructure IP existante. Cette architecture décentralisée est le changement le plus radical par rapport aux approches précédentes. SIP substitue en effet un mode point à point client-serveur à l'architecture centralisée sur laquelle sont conçus les réseaux de téléphonie existants. Comme l'utilisateur n'est plus attaché à un autocommutateur (PABX), sa situation géographique n'a plus aucune importance et son « numéro » (son identifiant SIP) le suit partout où il va.

En revanche, SIP ne standardise pas le transport des flux de données entre les deux équipements. Il ne prend en charge que la gestion des requêtes d'établissement des communications, laissant de côté aussi bien la réservation de la bande passante - tâche dévolue à Real Time Protocol (RTP), qui fonctionne au-dessus d'UDP et de TCP -, que la numérisation de la voix elle-même (prise en charge par codecs).

1- Le softphone A s'inscrit dans le proxy SIP qui effectue une demande d'appel auprès du proxy SIP B. Il analyse le nom de domaine de B à l'aide du serveur DNS. Le proxy SIP B transfère la demande au téléphone IP B.

2- Le téléphone B sonne et demande à l'utilisateur s'il souhaite répondre. La réponse positive (200 OK) part alors vers le proxy B, passe par le proxy A et arrive sur le softphone A pour lui indiquer que l'appel est accepté.

3- Le softphone A renvoie directement au téléphone B un accusé de réception (ACK), et la communication est engagée.