Siento si mi anterior respuesta te parecio frivola, pero voy a intentar explicarte las dimensiones del proyecto que planteas, para que veas lo dificil que es darte una solucion.
Un chat de voz, aun reduciendo a solo 2 personas conversando (como una llamada telefonica) tiene que capturar la informacion de la trajeta de sonido, enviarla a traves de la red y a su vez recibir informacion y enviarla a la tarjeta de sonido. Esto en un principio no seria muy complicado plateado de esta manera, existen
componentes que pueden capturar y reproducir sonido de forma muy sencilla. Los problemas comienzan a la hora de transmitir todo esa cantidad enorme de informacion, estamos hablando de miles de bytes por segundo, mucho mas de lo que pueden soportan la mayoria de conexiones a internet actuales. De modo que necesitariamos comprimir, y mucho, esa informacion, estamos hablando de algoritmos similares al mp3 o OGG. Y por si esto no fuera poco la red tien retrasos inesperados, tendriamos que implementar una serie de buffers y sincronizar toda la conversacion.
Como ves, para empezar no es una tarea sencilla. Yo te recomendaria comenzar con un chat de texto, mucho mas sencillo, y cuando lo domines probar con el audio.