Diftong (vyslovuje sa "DIF-thong" alebo "DIP-thong") je samohláska, pri ktorej musí hovoriaci presunúť ústa do dvoch rôznych polôh, aby vytvoril. Je to samohláska, pri ktorej možno počuť dve rôzne kvality samohlásky. Príkladmi sú: waist, die, noise, road, house, fierce, bear, sure. Každá z týchto hlások má inú samohláskovú kvalitu.
Monoftong je jednoduchý samohláskový zvuk, pri ktorom človek nemusí hýbať ústami, ako napríklad zvuk "oo" v slove "kniha". Pri diftongu človek kombinuje dva rôzne monoftongy, ako napríklad pri zvuku "oi" v slove "olej". Hovoriaci začína s ústami v polohe, v ktorej má vytvoriť zvuk "o", potom rýchlo pohne ústami, aby vytvoril tvrdý zvuk "e". Ďalším príkladom je zvuk "ou" v slove "dom". Ústa začínajú vydávať zvuk podobný mäkkému "a" v slove "byt", potom sa presunú a vydávajú tvrdý zvuk "oo", ako je to v slove "caboose".
Tak ako v každej inej časti jazyka, aj pri vyslovovaní diftongu sa jednotlivé prízvuky trochu líšia.
Slovo diftong pochádza zo starej gréčtiny. Di tu znamená dva alebo dva, zatiaľ čo časť -ftong znamená zvuk alebo tón zo základného slova phthalein, čo znamená hovoriť, vytvárať zvuk hlasom.
Diftón môže byť lexémou jazyka a ako taký môže byť jednoslabičný, ale zriedkavo.