音声によるインターネットコンテンツへのアクセスを可能とするコンテンツ記述言語として，国際的な標準化団体W3Cにより2000年5月に標準化された。
①　Voice XML Version 1.0：約50のタグが定義されており，利用者とシステムとの音声対話に必要となる処理や，インターネットアクセスに必要な処理等が記述できる。CGIやJavaプログラミングと組み合わせて使用することで動的なコンテンツを作成することもできる。
②　Voice XML Version 2.0：マルチモーダル対話機能を強化したワーキングドラフト。2001年10月にW3Cより公開されている。