目前，有许多种交互式的语音应用可以让用户听到计算机的响应，并通过电话按键做出回应。然而，呼叫者通常都会被那些冗长、耗时的一连串语音菜单和按键提示搞得晕头转向。而且，呼叫者在按键转换时很可能漏掉重要信息。因此，用户真正需要的是IVR式的用户界面，使用户不仅能够听取计算机的响应，也能够利用语音做出回应。

VoiceXML 2.0是一种标记语言，用于建立话音界面，相当于带语音功能的HTML。其语音浏览器相当于Web浏览器，可以解释VoiceXML 2.0脚本并向用户呈现语音信息，同时还能接受用户的语音请求。  

WWW协会已经将VoiceXML 2.0批准为完整的建议，也就是相当于一项Web标准。该标准添加了语音识别语法格式，即用户在响应系统提示时所说的单词和短语。而在前一版本的标准中，并不支持这一功能。

由于电话（包括许多移动电话在内）不具备成为语音浏览器主机的计算能力，因此语音浏览器驻留在网络中的一台语音服务器上。语音服务器既可以位于企业的数据中心内，也可以由远程的主机供应商来提供。

用户可以拨号至一台语音服务器，而语音服务器则从一台应用服务器下载VoiceXML 2.0脚本、语法格式和音频文件。语音浏览器可以解释VoiceXML 2.0脚本并向用户呈现一条语音信息。如系统提问：“欢迎致电，您需要联系销售部门、会计部门还是维修部门？”语音信息既可以是预先录制好的，也可以是通过文本-语音合成器生成的语音。语音浏览器还会调用一台自动语音识别器（ASR），后者使用语法格式来识别用户的回答。

自动语音识别器会尝试对用户的口头响应进行识别。在这个例子中，语法格式只包括三个词：“销售”、“会计”和“维修”。这种通过语法实现的ASR具有很高的识别率和性能，要比口授式的ASR精确得多，因为后者会试图识别英语或用户所说的其他语言中的每一个单词。有时，用户可能会使用双音调制频率来通话，这种方式在嘈杂环境中或用户希望秘密回应时效果非常好。

语音浏览器会继续处理VoiceXML 2.0脚本，也可能进行其他对话，调用针对应用的功能或访问数据库中的信息。利用VoiceXML 2.0，开发人员可以创建基于语音的应用，并且可以指定高级别的菜单和表格，而不仅仅是简单的流程编号。这种方法还可以减轻编程人员的工作负担。

开发人员使用VoiceXML 2.0可以为许多类型的应用和信息提供电话用户界面，这些应用和信息包括时间敏感数据、商业数据和个人信息。这些应用使用户无论身处何地都能够访问其所需的企业数据，而且访问的过程非常简单，只需电话拨号和身份认证就可以得到所需信息。客户还可以使用这些系统来访问一些诸如订单状态和目录、交货和财户信息等数据。