Um diphthong (pronunciado "DIF-thong" ou "DIP-thong") é uma vogal onde o orador tem que mover sua boca em duas posições diferentes para fazer. É uma vogal onde duas qualidades diferentes de vogal podem ser ouvidas. Exemplos são: cintura, morte, ruído, estrada, casa, feroz, urso, claro. Cada uma delas é um som de vogal diferente.
Um monophthong é um simples som de vogal que uma pessoa não precisa mover sua boca para fazer, como o som "oo" no "livro". Em um diphthong, a pessoa combina dois monophthong diferentes, como com o som "oi" na palavra "óleo". O falante começa com a boca na posição de fazer um som "o", depois move rapidamente a boca para fazer um som "e" duro. Outro exemplo é o som "ou" na palavra "casa". A boca começa fazendo um som como o suave som "a" em "flat", depois se move para fazer um som "oo" duro como aquele em "caboose".
Como em qualquer outra parte do idioma, a maneira exata de pronunciar um ditongo é um pouco diferente para sotaques diferentes.
A palavra difthong é derivada da antiga língua grega. Aqui, di significa dois ou dois, enquanto que a parte -phthong significa som ou tom, da palavra básica phthalein, que significa falar, criando som pela voz.
Um ditongo pode ser um lexeme de uma língua e como tal pode ser uma sílaba, mas raramente.