VoIP通信已经成为目前重要的和普遍的通信应用技术。随着移动互联网的发展，VoIP通信移动化已经成为了新的趋势，传统的VoIP面临着移动通信网带来的有别于有线网络的网络时延和抖动的问题。网络时延和抖动是影响VoIP语音质量的关键因素。为了消除时延抖动对语音质量的损伤，可以在接收端增设缓存区对具有时延抖动的数据分组进行缓存，从而消除抖动。但是，缓冲区同时却增加了整个通信过程的时延，尤其是在跨地域、跨运营商的3G网络上的VoIP通信，其时延抖动变化幅度较大，因此通过缓存造成的延迟也增大。选择合适的缓存大小和缓存控制算法成为新的挑战。面对新形势下的挑战，本文首先研究WebRTC语音引擎的缓存原理与缓存机制，并分析了WebRTC语音引擎应用在3G网络中时，在某些情况下语音延迟过大的原因。针对WebRTC语音引擎在3G网络存在的不足，提出了通过优化分组缓存机制来减小延迟问题的解决方案。此方案通过扩展静音检测技术的作用，根据通话时的语音活动状态和静默状态，将传统的静音检测技术根据辨识数据分组是否包含语音来提高编码效率，延展到在接收缓存过程根据分组是否包含语音采取不同的缓存策略，从而优化缓存时间并提高VoIP的服务质量。