El diptongo es la unión de dos vocales que se pronuncian en una sola sílaba, en un solo golpe de voz sin pausa en el medio. Como dos pasajeros en una bicicleta tándem, son dos sonidos distintos pero avanzan juntos en un solo impulso.

Para reconocerlo hay que distinguir las vocales abiertas o fuertes (a, e, o) y las vocales cerradas o débiles (i, u). Solo hay diptongo en tres combinaciones: vocal cerrada sin acento fuerte + vocal abierta como en pia-no y hue-vo, vocal abierta + vocal cerrada sin acento fuerte como en ai-re y cau-sa, y dos vocales cerradas distintas como en cui-dar y ciu-dad. Dos vocales abiertas juntas nunca forman diptongo, como en po-e-ta.

Según el orden, el diptongo puede ser creciente (cerrada + abierta, como pie-dra), decreciente (abierta + cerrada, como jau-la) y homogéneo (cerrada + cerrada, como rui-do y ciu-dad). A efectos ortográficos, ui e iu siempre se consideran diptongo.

Hay dos reglas especiales: la h intermedia no rompe el diptongo porque no suena, como en ahi-ja-do, y la y final con sonido de i cuenta como vocal cerrada, como en buey y Paraguay. En cuanto a la tilde, el diptongo sigue las reglas generales de agudas, llanas y esdrújulas, pero si lleva tilde va en la vocal abierta en los crecientes y decrecientes como a-diós y hués-ped, y en la segunda vocal en los homogéneos como cuí-da-te e interviú.