Protokół opracowany został przez grupę ITU (ang. International Telecommunication Union) powstał w 1996 r. Standard ten opisuje sposób przesyłania głosu i obrazu za pomocą sieci IP. Dane te przesyłane są w czasie rzeczywistym. H.323 definiuje poszczególne jednostki sieci, sygnalizację pomiędzy nimi oraz kontrolę pasma. H.323 wprowadził telefonię VoIP na nowe tory. Pierwsze próby przesyłania głosu za pomocą sieci IP pojawiły się na początku lat 90. Zaczęły powstawać do tego celu aplikacje różnych firm. Niestety nie działały między sobą, gdyż każda z firm wprowadzała swój własny standard. Początkowo H.323 działał poprawnie tylko w sieciach LAN. Dopiero kolejne wersje spowodowały poprawne działanie tego protokołu w Internecie.

Rysunek 1 Elementy sieci H.323 (źródło: http://aspen.ucs.indiana.edu/ )

Terminal (punkt końcowy) jest to urządzenie końcowe wymieniające informacje z innym terminalem poprzez protokół H.323. Terminale zawsze posiadają możliwość obsługi audio, oraz dodatkowo mogą obsługiwać komunikację video oraz przesyłanie danych. Do terminali zaliczamy telefon lub softphone.

Brama (gateway) - brama służy do zamiany protokołu H.323 na inny. Najczęściej wykorzystywana jest do integracji telefonii VoIP z publiczną siecią telefoniczną(POTS, ISDN).

Gatekeeper – dostarcza metod kontroli połączeń. Każde zakończenie lub brama musi się zarejestrować w gatekeeperze, czyli poinformować o swoim numerze telefonu, adresie IP itp. Dodatkowo rejestracja może być uwierzytelniana.

MCU (wielopunktowa jednostka sterująca) – zadaniem tego urządzenia jest zestawianie konferencji pomiędzy punktami końcowymi. Jednostka MCU dysponuje zasobami konferencji oraz zajmuje się procesem negocjacji np. kodeków.

Proxy – serwer proxy działa na poziomi warstwy aplikacji. Daje wsparcie dla translacji adresów sieciowych (NAT). Pary serwerów proxy mogą negocjować QOS dla tunelowania połączeń poprzez sieć IP.