Los diptongos son tipos de vocales en los que dos sonidos vocales están conectados en un movimiento continuo y deslizante. A menudo se las conoce como vocales deslizantes. La mayoría de los idiomas tienen varios diptongos, aunque ese número varía mucho, desde solo uno o dos hasta quince o más.
Una vocal es un tipo específico de sonido, caracterizado por la falta de obstrucción total del flujo de aire. Las vocales se pueden contrastar con las consonantes, donde existe tal obstrucción. A medida que sale aire cuando habla una consonante, hay una acumulación de presión a medida que se restringe el flujo de aire. Cuando se habla una vocal, no hay presión acumulada, el sonido se forma simplemente por la posición de la lengua.
Las vocales se caracterizan generalmente por tres criterios diferentes: la posición de la lengua en la boca en relación con el techo de la boca (altura), la posición de la lengua en la parte delantera o trasera de la boca (espalda) y la forma de los labios a medida que se hace el sonido de la vocal (redondez). Hay otras cosas que pueden caracterizar las vocales, pero no son muy comunes en inglés; cosas como la posición de la raíz de la lengua, por ejemplo, rara vez afectan las vocales en inglés, aunque afectan las vocales en muchas lenguas africanas.
Cuando las vocales se unen, pueden ser dos sílabas distintas o pueden fusionarse en una sílaba. Cuando se fusionan, forman lo que se conoce como diptongos. Si permanecen separados, son simplemente dos monoftongos. Un ejemplo de dos vocales de una sola sílaba se puede ver en la palabra triaje, en la que la i y la a se pronuncian solas. Un ejemplo de diptongo se puede ver en la palabra mouse, en la que la parte ou de la palabra obviamente consta de dos vocales distintas, pero no hay una ruptura silábica entre las dos.
Por lo general, se puede considerar que los diptongos tienen dos partes distintas: el núcleo y el deslizamiento. El núcleo del diptongo es la vocal que está más acentuada y forma el centro del sonido, mientras que el deslizamiento es la vocal que parece fluir dentro o fuera de la vocal del núcleo.
Los tres diptongos principales en inglés estándar, que se conocen como diptongos fonémicos, son ai, aw y oy. Los tres diptongos son muy comunes y muchas personas simplemente los consideran como vocales simples en algunos contextos. Por ejemplo, en la palabra inglesa ride, la i se transcribiría fonéticamente como ai. Aunque aparece como una sola letra en nuestra escritura, en realidad consta de dos vocales; si dices la palabra, deberías poder escuchar las dos. De manera similar, la palabra cómo contiene el diptongo aw al final, y la palabra niño contiene el diptongo oy.
Otros diptongos en inglés estándar son el sonido ei en la palabra fama o la pronunciación de la letra a, y el sonido ou en la palabra phone. Otros idiomas tienen muchos más diptongos además de estos, y otros dialectos del inglés también pueden tener más diptongos. Idiomas como el finlandés tienen casi veinte diptongos, mientras que el dialecto de pronunciación recibida del inglés tiene cinco diptongos adicionales que no se encuentran en el inglés estándar.
Además de los diptongos y los monoftongos, también existen los llamados triptongos. Estos son similares a los diptongos, pero en lugar de pasar simplemente de un sonido vocal a otro, también se agrega un tercer sonido.