În fonetica tradițională, după unii autori, diftongul este ansamblul a două vocale pronunțate în aceeași silabă. Dintre acestea numai una este nucleul silabei, putând fi accentuată, adică este silabică, cealaltă nu, adică este asilabică[1][2][3]. După altă definiție tradițională, partea asilabică a diftongului este o semivocală[4][5].
Într-o viziune mai nouă, diftongul este o singură vocală, complexă, care se modifică, astfel încât se aude o anumită calitate vocalică la începutul diftongului și alta la sfârșitul lui[6][7][8], din cauza schimbării continui a poziției organelor articulatorii în cursul emiterii sale. Prin aceasta se deosebește de monoftong, o vocală care nu se schimbă în mod semnificativ în cursul emiterii[9].
