La voix et la vidéo sur IP
Quand vous téléphonez par votre box, par une application de messagerie ou par une visioconférence, votre voix est découpée en petits paquets de données qui voyagent sur le même réseau que les pages web. Or, la voix exige que les paquets arrivent vite, dans l’ordre et à un rythme régulier, ce qu’Internet ne promet pas. Deux protocoles complémentaires, RTP et RTCP, ont été conçus pour cela : le premier numérote et date les paquets, le second rend compte de la qualité de la réception. Cet article explique pourquoi le temps réel est difficile, comment une voix devient des paquets, le contenu de l’en-tête RTP, ce que mesure RTCP, comment les appels s’établissent (SIP, WebRTC) et quels sont les risques de sécurité.
- Rubrique
- Réseaux et protocoles
- Niveau
- Intermédiaire à avancé
- Lecture
- 14 min (essentiel)
16 min (complet) - Révision
- 4 novembre 2026
En bref
- La voix sur IP transporte la parole en paquets de données ; elle demande un délai court, un rythme régulier et peu de pertes.
- RTP ajoute à chaque paquet un numéro de séquence et une horloge ; il roule le plus souvent sur UDP, qui ne retransmet rien.
- RTCP envoie des comptes rendus (pertes, délai, gigue) mais ne garantit rien : il faut un réseau bien dimensionné et une priorité pour la voix.
- Un appel se compose d’une signalisation (SIP, qui sonne et décroche) et d’un flux média (RTP, qui porte la voix) ; les deux se protègent séparément.
- Sans protection, la voix circule en clair : on utilise SRTP et TLS, et l’on surveille les comptes de téléphonie, cibles de fraude.
Prérequis conseillés : Le protocole UDP
1Téléphoner sur un réseau de paquets
Le téléphone d’autrefois réservait un circuit entre deux personnes pendant toute la communication. La voix sur IP (en anglais Voice over IP, abrégé VoIP) procède autrement : la voix est numérisée, découpée en petits paquets de données (voir UDP), et ceux-ci voyagent sur un réseau IP, c’est-à-dire sur le même type de réseau qu’Internet, avec les autres données. La vidéo suit le même principe. On y recourt aujourd’hui sans le savoir : l’abonnement de téléphonie fixe fourni par votre box, les applications de messagerie qui permettent d’appeler, les logiciels de réunion à distance.
Voici la motivation : la diffusion des ordinateurs, la baisse du prix des équipements audio et vidéo et l’arrivée de liaisons plus rapides ont donné envie d’envoyer le son et l’image par Internet, usages autrefois réservés à des réseaux spécialisés. Mais la nature même d’Internet n’est pas adaptée au temps réel, d’où une qualité souvent médiocre en cas d’encombrement. La solution passe par des mécanismes de contrôle qui permettent à l’application d’adapter son comportement pour garder une qualité acceptable même sur un réseau saturé. Ce sont ces mécanismes que cet article décrit.
1.1Une transition qui se termine
La téléphonie par fil de cuivre classique, appelée en France RTC (réseau téléphonique commuté), disparaît progressivement. L’opérateur historique a cessé de vendre de nouveaux abonnements de ce type fin 2018 et en prévoit l’arrêt par zones d’ici 2030. Les lignes sont remplacées par de la téléphonie sur IP, via la box ou la fibre. Pour les particuliers, le changement est discret ; pour les entreprises, les alarmes, les ascenseurs, les terminaux de paiement et les anciens standards téléphoniques doivent être adaptés.
1.2Le plan de l’article
La partie 2 explique pourquoi le temps réel est un défi. La partie 3 montre comment la voix devient des paquets (figure 1). Les parties 4 et 5 décrivent RTP (figure 2) et RTCP. La partie 6 présente la signalisation et la partie 7 la sécurité. La partie 8 propose des exercices.
2Le défi du temps réel
Un téléchargement tolère des paquets en retard : la page apparaîtra un peu plus tard, voilà tout. Une conversation, non. Les trois ennemis de la voix sont :
- le délai : au-delà d’environ 150 millisecondes dans un sens, on se coupe la parole (voir la qualité de service) ;
- la gigue : si les paquets, envoyés à intervalles réguliers, arrivent à intervalles inégaux, le son devient haché ;
- la perte : un paquet absent laisse un trou dans la parole.
Pourquoi ne pas utiliser le protocole de transport habituel, TCP (voir TCP), qui garantit la livraison ? Parce que sa méthode de rattrapage, la retransmission, est contre-productive ici : un paquet de voix perdu et renvoyé arrive trop tard pour être joué, et, pendant ce temps, TCP retient tous les paquets suivants pour respecter l’ordre. Mieux vaut perdre un fragment de 20 millisecondes que de bloquer la conversation. On choisit donc UDP, qui envoie sans accusé de réception, et l’on charge un protocole de plus haut niveau, RTP, d’ajouter ce qui manque : ordre et rythme.
3De la voix aux paquets
3.1Numériser et compresser : le codec
Un micro produit un signal continu. Un codec (mot formé de « codeur » et « décodeur ») le mesure plusieurs milliers de fois par seconde et code chaque mesure en nombres, puis compresse le tout. Les codecs diffèrent par le débit et la qualité :
- G.711 : le codec historique du téléphone, 64 kilobits par seconde, sans compression notable, qualité « téléphone » ;
- G.729 : compresse à 8 kilobits par seconde, au prix d’une qualité moindre ; longtemps répandu pour économiser le débit ;
- Opus : codec libre moderne (RFC 6716), dont le débit s’adapte de quelques kilobits à des dizaines, du simple mot parlé jusqu’à la musique ; c’est celui des applications actuelles et de WebRTC.
3.2Paquetiser : un morceau toutes les 20 millisecondes
Le son codé est découpé en tranches de courte durée, souvent 20 millisecondes, soit 50 paquets par seconde. Chaque tranche reçoit un en-tête RTP, puis UDP, puis IP. Une tranche étant courte, les en-têtes pèsent lourd : on y reviendra dans l’exercice 1. Une tranche plus longue économise des en-têtes mais augmente le délai.
3.3Le tampon de gigue
À l’arrivée, le récepteur ne joue pas les paquets dès leur réception : il les met dans une petite mémoire, le tampon de gigue (jitter buffer), et les restitue à intervalles réguliers, en les remettant dans l’ordre grâce à leur numéro. La taille du tampon est un compromis : un tampon grand absorbe plus de gigue mais ajoute du délai ; un tampon petit réagit vite mais laisse passer les hoquets. Beaucoup de logiciels l’ajustent en cours d’appel. Un paquet trop en retard est abandonné : le logiciel comble le trou en répétant ou en estimant le son manquant.
Pour s’exercer
Exercice 1 : le poids des en-têtes
Un appel utilise le codec G.711 (64 kb/s) avec des paquets de 20 ms. Quel est le débit réel sur le réseau, sachant que les en-têtes RTP (12 octets), UDP (8) et IP (20) s’ajoutent à chaque paquet ?
Voir la réponse
En 20 ms, G.711 produit 64 000 × 0,02 / 8 = 160 octets. Avec 12 + 8 + 20 = 40 octets d’en-têtes, le paquet fait 200 octets. Il y a 50 paquets par seconde : 200 × 50 × 8 = 80 000 bits par seconde, soit 80 kb/s, sans compter l’enveloppe du réseau local (Ethernet). Les en-têtes représentent un quart du débit.