El diptongo es la unión de dos vocales en una misma sílaba que se pronuncian en un solo golpe de voz. Se representa como V1 + V2 en la misma sílaba y se reconoce porque las vocales no se separan al silabear, como en cau-sa, tie-rra, cui-da-do y ciu-dad. Sin esta unión, las vocales pertenecerían a sílabas distintas y formarían un hiato, como en po-e-ta.

Para identificarlo es indispensable clasificar las vocales en abiertas o fuertes (a, e, o) y cerradas o débiles (i, u). Las abiertas tienen mayor abertura y son núcleo silábico, mientras las cerradas pueden funcionar como semiconsonantes o semivocales. La regla fundamental es que nunca hay diptongo con abierta + abierta; secuencias como ae, ea, eo u oa siempre son hiato.

A partir de esta base surgen tres tipos de diptongo: el creciente (cerrada + abierta), el decreciente (abierta + cerrada) y el homogéneo (cerrada + cerrada con iu y ui). La tildación sigue las reglas generales con una sola tilde cuando la palabra lo exige. En crecientes y decrecientes la tilde va sobre la vocal abierta, mientras en homogéneos va sobre la segunda vocal, y la h intercalada no impide el diptongo.

La diferencia clave con el hiato es el número de sílabas y de impulsos de voz: diptongo es una sílaba en un impulso, hiato son dos sílabas en dos impulsos. Debe recordarse que la vocal cerrada tónica rompe el diptongo y crea un hiato acentual con tilde obligatoria, como en María, baúl y sonríe.