A hagyományos fonetikában a kettőshangzó (idegen szóval diftongus) egyes szerzők szerint egy szótagban kiejtett két magánhangzó együttese. Ezek közül csak az egyik képezi a szótag magját, és csak ez hangsúlyozható, azaz szillabikus, a másik nem, azaz aszillabikus. Egy másik hagyományos meghatározás szerint a kettőshangzó aszillabikus része félhangzó.
Újabb nézetben a diftongus egy sajátos, nem egyenletes hangzású magánhangzó, amelynek ejtését a képzőszervek folytonos helyzetváltoztatása jellemzi, tehát egy bizonyos magánhangzói minőség hallható az elején, és egy másik a végén. Ezzel szemben a monoftongus (szó szerint ’egyeshangzó’) esetében a képzőszervek viszonylag csekély mértékben változtatják a helyzetüket.
A hagyományos nézetben eleinte csak fonetikai szempontból tekintették a kettőshangzót, de később fonológiai szempont is közrejátszott a kezelésében, ami főleg az újabb nézetben nyilvánul meg. Ugyanakkor véleménykülönbségek vannak az aszillabikus elem és maga a diftongus fonológiai státuszát illetően, azaz hogy ezek fonémák-e vagy sem. Ez azt is érinti, hogy mely hangcsoportokat tartanak diftongusoknak, és melyeket nem. Részletek erről az alábbi, egyes nyelvekről szóló szakaszokban találhatók.
Általában emelkedő és eső diftongusokat különböztetnek meg. A hagyományos nézetben emelkedő diftongus az, amely félhangzó kezdetű, például a spanyol nyelvben a [je] a bien ’jól’ szóban, eső pedig az [ej] a ley ’törvény’-ben. Abban a nézetben, hogy a kettőshangzó egyfajta magánhangzó, az emelkedőben a vége, az esőben pedig az eleje hangsúlyos. Más terminusokkal ezek megfelelője a nyitódó, illetve a záródó diftongus. Megint más terminusokkal ezek erősödő nyomatékúak, illetve gyengülő nyomatékúak.
A diftongusok fonetikai írása nem egységes, még a nemzetközi fonetikai ábécében (rövidítve IPA) sem. A szillabikus magánhangzóra általában ennek IPA-jelét használják. Az aszillabikus rész írása történhet csak a megfelelő magánhangzó IPA-jelével vagy ennek a félkarikával (◌̯) ellátott változatával, pl. [i̯], [u̯], [y̯] (a magyar ü-nek megfelelő), [e̯], [o̯] stb. Ha az első hármat approximánsoknak (közelítőhangoknak) nevezett mássalhangzóknak tekintik, akkor a [j], [w], illetve [ɥ] IPA-jeleket használják helyettük. Erről is részletek olvashatók az alábbi szakaszokban.
Az ómagyar kor végéig (16. század) voltak diftongusok, de mindegyikük monoftongus lett, mégpedig hosszú magánhangzó lett belőlük.
A mai magyar sztenderd nyelvváltozatban előfordul ugyan /j/ és magánhangzó csoportja, de a /j/ mássalhangzó fonémának számít, következésképpen az ilyen együttesek nem számítanak kettőshangzóknak. Ebben a nézetben csak egy diftongus van a sztenderd magyarban, az [ɒu̯], olyan viszonylag nem régi jövevényszavakban, mint az autó vagy a trauma.
A magyar nyelvészetben szó van nemcsak emelkedő és eső diftongusokról, hanem lebegő nyomatékúakról is, amelyekben nem változik a nyomaték. Ezek részeit a ͜ jellel kötik össze.
A mai magyar nyelvjárásokban vannak diftongusok. Már 19. századbeli feljegyzésekből kitűnik, hogy több régióban az ó, az ő és az é hosszú magánhangzók diftongusokká váltak. Olyan szavak is vannak, amelyek különböző nyelvjárásokban különböző felépítésűek. A. Jászó 2007 lebegőkként jelöli őket szokásosan írt magánhangzókkal, kivéve az ë-t. Példák:
Az angol nyelvészetben nem egységes a diftongusok megítélése.
Például Rogers 2013 szerint a sztenderd brit angolban nyolc olyan eső diftongus van, amelyek fonémák, és a [j], [w] és [ə] szimbólumokat használja az aszillabikus részük jelölésére:
Ugyanakkor szerinte elvileg akármelyik magánhangzó aszillabikus résszé válhat, és emelkedő diftongusok is keletkeznek így (pl. [ja], [wɛ] és [ɛw]), de csak a fenti nyolcat tartja fonémáknak.
Ezzel szemben Zsiga 2013 két kategóriát állapít meg, és az aszillabikus részeket a megfelelő magánhangzók IPA-szimbólumaival írja (|ɪ] és [ʊ]):
A diftongusokat nem nevezi fonémáknak, hanem fonológiai szempontból azt jegyzi meg, hogy akkor tekinti őket valódiaknak, ha az aszillabikus részük hiánya jelentésmegkülönböztető, minimális párok keletkezését idézve elő, például:
Ha viszont egy [eɪ]-t vagy [oʊ]-t tartalmazó szóból hiányzik az [ɪ], illetve az [ʊ], ezzel nem keletkezik más szó, és ezért nem tartja őket valódi diftongusoknak. Diftongussá válás jellemző példája Zsiga 2013 szerint az, ahogyan angol ajkúak a francia magánhangzókat ejtenek ki, pl. a café au lait ’tejeskávé’-t [kæfeɪ oʊ leɪ]-nek ejtik [kafe o lɛ] helyett.
Az ófrancia nyelvben 16 kettőshangzó volt, 11 orális és 5 nazális, amelyek kiejtését sokszor adja vissza az illető szavak mai írása. Ezek a diftongusok magánhangzók lettek a középfranciában, például:
Francia szerzők által írt, a mai franciára vonatkozó írásokban általában nincs szó diftongusról, csak egy szótagban egymást követő félhangzóról és magánhangzóról, vagy fordítva. Szerintük három félhangzó – [j], [w] és [ɥ] – van: Az alábbi példákban szó belsejében, ugyanabban a szótagban magánhangzó követi őket. Ezt a kiejtési módot szinerézisnek nevezik. Példák:
Ezek a félhangzók az /i/, az /u/, illetve az /y/ (magyar ü) magánhangzóknak felelnek meg. A fenti példákban a félhangzó + magánhangzó külön szótagokban, tehát hangűrrel kiejtett két magánhangzóvá válhat; ezt a kiejtésmódot dierézisnek nevezik: [li.ɔ̃], [lu.e], illetve [by.e]. A szinerézisnek és a dierézisnek területi eloszlása van, de mindkettőt elfogadja a sztenderd. Párizsban és Nyugat-Franciaországban a szinerézis a gyakoribb, északon (beleértve Belgiumot), keleten és délen pedig a dierézis. Ez utóbbi egyéni is lehet, még olyan régiókban is, ahol a szinerézis a gyakoribb.
Angolul írt munkákban mégis megtalálható az a nézet, hogy a mai franciában is vannak kettőshangzók. Tranel 1987 úgy véli, hogy nincsenek eső diftongusok, de legalább a [wa]-t, pl. az oiseau [waˈzo] ’madár’ szóban, emelkedő diftongusnak lehet tekinteni. Chițoran 2002 a románnal kapcsolatban állított nézetével összhangban három diftongust lát a franciában:
Francia területi nyelvváltozatokban vannak egyhangúlag diftongusoknak elfogadott hangcsoportok. Ilyen a québec-i francia, amelyben a sztenderd francia hangsúlyos magánhangzóknak eső diftongusok felelnek meg. Példák:
A spanyol nyelvészetben hagyományosan úgy tartják, hogy a kettőshangzó egyazon szótagban kiejtett két magánhangzó. A szillabikus elemeket Kattán-Ibarra 2003 erős magánhangzóknak, az aszillabikusokat pedig gyenge magánhangzóknak nevezi, de ez utóbbiakat [j]-vel és [w]-vel írja át. Egyes szerzők semiconsonantes, szó szerint ’félmássalhangzók’-nak nevezik ezeket, amikor diftongus első részei, és semivocales, szó szerint ’félmagánhangzók’-nak, amikor zárják a diftongust. Kattán-Ibarra 2003 szerint a spanyol diftongusok az alábbiak:
Nem tekintik kettőshangzónak a [j] + magánhangzót szó elején.
Az olasz nyelvészet hagyományos nézetében is a diftongus egyazon szótagban kiejtett két magánhangzóból állónak tekintendő. A Treccani enciklopédia az egyiket szillabikus magánhangzónak nevezi, a másik pedig szerinte vagy valódi magánhangzó, de aszillabikus, vagy semiconsonante ’fél-mássalhangzó’. Az alábbi diftongusokat veszik számba:
A magánhangzó + [j] szóvégi diftongus általában csak akkor valósul meg, ha a szót nem követi szünet. Ha szünet követi, akkor mássalhangzó + i-ként hangzik, pl. poi [pɔːi], lui [luːi].
A gyors beszéd alkalmi diftongusokat okoz ott, ahol a lassú beszédben hangűr van:
Újabb nézetben a /j/ és a /w/ nem félhangzók, hanem mássalhangzók, különbözőek azoktól az aszillabikus [i], illetve [u] magánhangzóktól, amelyeket egy szótagban ejtenek ki az őket megelőző szillabikus magánhangzókkal. Következésképpen csak a fenti esőknek nevezettek lennének diftongusok, miközben az emelkedőknek nevezettek csak egyazon szótagbeli mássalhangzó + magánhangzó kombinációk.
A román nyelvészetben is hagyományosan egy szótagban kiejtett félhangzónak és magánhangzónak tekintik a kettőshangzót, és ez szó elején, szón belül vagy szó végén is található.
Hagyományosan négy félhangzót tartanak számon ([i̯], [u̯], [e̯] és [o̯]). Amikor igény jelent meg arra, hogy fonológiai szempontból is kezeljék ezeket, egyes szerzők mind a négyet a nekik megfelelő magánhangzó-fonémák allofónjainak tekintették.
Bidu-Vrănceanu 1997 szerint a román nyelvben 23 diftongus van:
Több román diftongus a nyelvtörténet folyamán keletkezett a latinból örökölt szavakban és viszonylag régi jövevényszavakban. Egyesek a vulgáris latinban hangsúlyos magánhangzók voltak, például sera > seară ’este’, pectus > piept ’mell’, coda > coadă ’farok’.
A mai nyelvben a hagyományos nézet szerint diftongusok jönnek létre szavak közötti határon. Egyesek állandóak, pl. te-a lăudat ’megdicsért téged’, ți-a dat ’adott neked’. Az [e̯a] diftongus alkalmi is lehet, például az egyes szám nőnemű határozott végartikulus hozzáadásakor -e-re végződő szóhoz, pl. lume ’világ’ → lumea ’a világ’.
Alkalmilag keletkeznek diftongusok a gyors beszédben is. Lassú beszédben visszatér a hangűrös kiejtésük:
Újabb nézetben egyes szerzők szerint az [i̯] és az [u̯] valójában mássalhangzó-fonémák (/j/ és /w/), az [e̯] és az [o̯] pedig félhangzó-fonémák (/e̯/ és /o̯/).
Egészen más vélemény is van. Eszerint a románban van két félhangzó fonéma (/j/ és /w/), de [e̯] és [o̯] nem azok, és csak két diftongus van, mindkettő maga is fonéma, /e̯a/ és /o̯a/. Az ezeken kívüli magánhangzókból a /j/-vel és a /w/-vel keletkező hangcsoportok egyazon szótagban nem lennének diftongusok. Ez a nézet többek között azon alapszik, hogy csak a fentebb említett e-ből és o-ból származó együttesek váltakoznak flexió közben az eredeti magánhangzókkal, tehát seară ’este’ → seri ’esték’, coadă ’farok’ → cozi ’farkok’.