Difthong (vyslovuje se "DIF-thong" nebo "DIP-thong") je samohláska, u které musí mluvčí pohybovat ústy do dvou různých poloh, aby ji vytvořil. Jedná se o samohlásku, u které lze slyšet dvě různé kvality samohlásek. Příklady: pas, zemřít, hluk, silnice, dům, zuřivý, medvěd, jistý. Každá z těchto hlásek má jinou samohlásku.
Monoftong je jednoduchá samohláska, při jejímž vyslovení nemusí člověk pohybovat ústy, jako je například zvuk "oo" ve slově "book". Při diftongu člověk kombinuje dva různé monoftongy, jako je tomu u zvuku "oi" ve slově "oil". Mluvčí začíná s ústy v poloze, v níž má vytvořit zvuk "o", a pak rychle pohybuje ústy, aby vytvořil tvrdý zvuk "e". Dalším příkladem je zvuk "ou" ve slově "house". Ústa začínají vydávat zvuk podobný měkkému "a" ve slově "byt", pak se přesunou a vydávají tvrdé "oo", jako je tomu ve slově "caboose".
Stejně jako u jiných částí jazyka se i u diftongů liší jejich přesná výslovnost v závislosti na přízvuku.
Slovo diftong pochází ze staré řečtiny. Zde di znamená dva nebo dvojí, zatímco část -ftong znamená zvuk nebo tón, a to ze základního slova phthalein, které znamená mluvit, vytvářet zvuk hlasem.
Diftong může být lexémem jazyka a jako takový může být jednoslabičný, ale jen zřídka.