ここでは音声の仕様について説明していきます。

１．Ｇ．７ｘｘの違い
　各違いを以下に示します。この中で音声サイズと品質が重要です。例えば通常のＩＮＳを使用して１２８ｋｂｐｓで通信を行うと、Ｇ７１１の場合、６４ｋｂｉｔの帯域をとるため映像の送る帯域は少なくなり、画質が悪くなります。（電話等は話が解ればいいので、３００Ｈｚから３４００Ｈｚの約３０００Ｈｚ＝３Ｋｚの音域しか電送していません。人間の耳は１５Ｈｚから２００００Ｈｚまでの音を聞くことができます。美空ひばりやマライヤキャリーは別ですが、通常の人間の声はこの約３０００Ｈｚ＝３Ｋｚの範囲の音を聞くだけで十分内容を理解できます。）

２．遅延時間とＣＰＵ能力
　上記の表を見ると同じ電話並みの品質ならばＧ．７１１に比べてＧ．７２３．１の方が音声サイズも小さくよい方式のように見えます。但し、音声を符号化するのに時間がかかることと、パソコンのＣＰＵで処理する場合、高性能のＣＰＵが必要になります。
　現実的にはＣＰＵの性能が飛躍的に向上しているため、要求ＣＰＵ能力はあまり問題にならないかもしれません。また映像の符号化の方が符号化に時間がかかるため、音声だけで通話するのでなければ遅延もあまり気にならないかもしれません。むしろ次の表のようなインターネット上の電送時間の遅れの方がきになります。