Diftong (diucapkan "DIF-thong" atau "DIP-thong") adalah vokal di mana pembicara harus menggerakkan mulut mereka ke dalam dua posisi berbeda untuk membuatnya. Ini adalah vokal di mana dua kualitas vokal yang berbeda dapat didengar. Contohnya adalah: pinggang, mati, kebisingan, jalan, rumah, sengit, beruang, yakin. Masing-masing adalah bunyi vokal yang berbeda.
Monophthong adalah bunyi vokal sederhana yang tidak perlu menggerakkan mulut untuk membuatnya, seperti bunyi "oo" dalam kata "book". Dalam diftong, seseorang menggabungkan dua monoftong yang berbeda, seperti bunyi "oi" dalam kata "oil". Pembicara memulai dengan mulut pada posisi untuk membuat bunyi "o", kemudian dengan cepat menggerakkan mulut untuk membuat bunyi "e" yang keras. Contoh lainnya adalah bunyi "ou" dalam kata "house". Mulut mulai mengeluarkan bunyi seperti bunyi "a" lembut dalam kata "flat", kemudian bergerak untuk membuat bunyi "oo" keras seperti yang ada dalam kata "caboose".
Sama seperti setiap bagian bahasa lainnya, cara yang tepat untuk mengucapkan diftong sedikit berbeda untuk aksen yang berbeda.
Kata diftong berasal dari bahasa Yunani kuno. Di sini, di berarti dua atau dua kali lipat, sedangkan bagian -phthong berarti suara atau nada, dari kata dasar phthalein, yang berarti berbicara, menciptakan suara dengan suara.
Diftong bisa menjadi leksem suatu bahasa dan karena itu mungkin satu suku kata, tetapi jarang.