Un diptongo es un sonido que es percibido como la unión de dos vocales en una misma sílaba. En un diptongo los formantes acústicos tienen una transición suave desde un punto del área vocálica a otro, lo que les da su naturaleza de diptongos. Esto corresponde a una articulación en que la lengua se mueve entre distintos puntos durante la emisión del diptongo. Los dos puntos extremos de la articulación son percibidos como las 2 vocales que forman el diptongo. Si bien la mayor parte de las lenguas del mundo tienen en su repertorio diptongos fonéticos, existen algunas lenguas que carecen de ellos. La calidad de las vocales que pueden formar diptongo varía de una lengua a otra.