La teoría indica que un diptongo se forma a partir de la combinación de un par de vocales que se escriben de manera consecutiva en una palabra y corresponden a una misma sílaba. Al separar en sílabas la palabra en cuestión, el lazo entre las vocales no se rompe. Ejemplos: bai-le-mos, cuer-das, Pau-la, des-pei-nes.

Cuando el núcleo silábico se centra en la segunda vocal (por haberse unido una vocal débil con una fuerte), señalan los expertos en Fonética, se trata de un diptongo creciente, también conocido como ascendente. Por el contrario, cuando el núcleo silábico recae en la primera de las vocales (es decir, la vocal fuerte, seguida por una segunda, débil), el diptongo es decreciente o descendente.

En lengua española, por señalar una posibilidad concreta, se pueden constituir diptongos sin tener en cuenta el orden donde aparezcan las vocales abiertas y cerradas: el único requisito es que una de las dos sea débil. Es posible hallar diptongos, por lo tanto, en términos como muerta, cauto, caimán, augurio, jueves, dioses, leudante, etc.

Al investigar el tema con más profundidad aparecen además otras opciones que amplían la clasificación de los diptongos en función de las particularidades que presenta en cada caso.

Cuando dos vocales cerradas distintas aparecen unidas, por detallar un caso diferente a los mencionados líneas arriba, se trata de un diptongo homogéneo. Así se advierte al analizar vocablos como cuidados, ruido, Piura o ciudad, por indicar algunas posibilidades.

Cabe recordar que las vocales abiertas son a, e, o, mientras que las vocales cerradas son i, u.