Zvláštní typ hlásky s tónovou strukturou; vedle ↗monoftongu druhý typ ↗vokoidu. Zatímco formantová charakteristika monoftongu je v jeho průběhu celkem stálá, v d. dochází k spojení dvou vokalických pozic v jediné slabice; délka výsledného spojení odpovídá délce jednoho vokálu, v č. vokálu dlouhého. Fonetická literatura připomíná dva typy d.: pravé diftongy, v nichž si obě složky zachovávají plnou vokaličnost, a nepravé diftongy, v nichž si plnou vokalickou stavbu uchovává jen část (jádro d.), zatímco druhá složka ji částečně ztrácí, mění se na ↗glide, tradičně označovaný v této pozici jako ↗polovokál; tuto stavbu mají české d.

D. může být pevný (polohový), v němž je počáteční a konečná artikulační pozice stabilní – tak je tomu v č., n. klouzavý (pohybový), kdy se artikulace různě proměňuje (např. v něm.). Podle postavení jádra a polovokálu se d. dělí na diftongy stoupavé, v nichž stojí polovokál na počátku d. (slovenské [u̯o], např. ve slově kôň), a diftongy klesavé, v nichž je oslabená část na konci (např. č. [ou̯] ve slově kout – [kou̯t]). D. může vzniknout vývojem jednoduché hlásky při diftongizaci: ([lúka] → [lou̯ka], viz ↗diftongizace), n. dík synerezi, při níž d. vniká ze dvou vokálů patřících různých slabikám ([do]+[úfat] – [dou̯fat]; proces se někdy též nazývá ↗kontrakce (stahování)); z d. naopak mohou ↗monoftongizací vznikat hlásky jednoduché: [lou̯ka] – [lóka]; viz ↗středomoravská nářečí.

Z hlediska fonetiky je ve spis.č. domácí d. [ou̯] ([kou̯pou̯], [pou̯pje], [zou̯bek]), s přejatými slovy přibyly d. [au̯] ([au̯to], [klau̯n]) n. [eu̯] ([pneu̯matika], [eu̯ro]); psané spojení ‑eu‑ může být realizováno jako diftong, n. jako heterosylabické spojení [e] + [u]; srov. dubletní výslovnost neurolog jako slovo tříslabičné ([neu̯‑ro‑lok]) n. čtyřslabičné ([ne‑u‑ro‑lok]). Na této úrovni je d. také tautosylabické (téžeslabičné) spojení vokál+j ([zloďej], [krajka], [háj], [napijte], [závoj], [kupujme]); vzhledem k stavbě jiných tvarů slova (zlo‑dě‑je, ku‑pu‑je‑me…) však převažuje hodnocení takových spojení jako samohláska + souhláska j (k specifiku j viz ↗aproximanta). ↗Obecná čeština má vedle [ou̯] i d. [ej] vzniklý diftongizací staršího ý, event. í (umýt – [umít] – [umejt], malý – [malí] – [malej], cícha – [cíxa] – [cejxa]); v transkripci se někdy zapisuje i jako [e] + neslabičné [i̯], aby se zvýraznil fakt, že j‑ový element tu není skutečnou souhláskou. Toto ‑ej‑, ‑ej v jednotlivých případech, např. ve frazémech, proniká i do textů nedial. (je padlej na hlavu; nemusíš do něho tak rejpat). K vývoji v nářečích viz ↗monoftongizace a ↗diftongizace, a také ↗středomoravská nářečí, ↗východomoravská nářečí a ↗slezská nářečí.

V některých jaz. existují diftongoidy, tj. jednoduché vokály, u nichž je počáteční fáze výrazněji pozměněna; např. v ruském přízvučném [o], které mívá na počátku slova, ale také, zvláště po labiálách n. velárách, náběh na znění [u̯o]; skutečný diftong to není, taková výslovnost je jen fonetická varianta.

Z hlediska fonologie je d. /ou̯/ hodnocen jako jediný foném na základě toho, že je artikulačně celistvý a vytváří (uvnitř jedné variety č.) alternaci s jednoduchým vokálem, typ: [dubi] – [dou̯bek]. Poukazuje na to i historický vývoj. Názor, že v č. lze d. chápat jako spojení bifonematické, [ou̯] např. jako spojení fonémů /o/ a /u̯/ (toto /u̯/ by ovšem nebylo volně kombinovatelné jako ostatní fonémy), nebyl obecně přijat; pro seskupení vokál + [j] je naopak bifonematické chápání pro popis současného spis.jaz. běžné, event. se tento problém neřeší; alternace /ý/, /í/ – /ej/ je tu mezi spis. a obecněčeským zněním (malý – malej, výlet – vejlet), někdy alternuje s monoftongem i uvnitř obecné č.: [pejxa] – [pišná]. Viz i ↗fonématika češtiny a ↗fonémy češtiny.

K transkripci fonetického znění dokladů viz ↗transkripce.