Duonvokalo estas vokalo, kiu ne formas silabokernon (en Esperanto j kaj ŭ), sed kiu kune kun vera vokalo formas diftongojn (aj, ej, oj, uj, aŭ, eŭ, oŭ). Nur escepte ŭ povas troviĝi antaŭ vokalo: ŭa (infana ploro), ŭaks (ranbleko), ŭo (nomo de la litero); dum j tre ofte troveblas en tia pozicio: ja, je, ju, joviala. Ideale oni prononcu la silabkomencajn duonvokalojn same kiel la silabfinajn, sed pro influo de kelkaj nacilingvoj multaj esperantistoj emas fari distingon, plifermante la buŝon: Ekzemple, kaj en la norvega kaj la angla lingvoj, la vorto por "jes" estas prononcata respektive [ja/ia] (aŭ eĉ [ea]) kaj [jes/ies], dum germanlingvanoj diras [ja] kun eta froto. Simila malsamo troveblas inter franca oui [ŭi] kaj angla we [ŭi] "ni"
La rezulto estas ne duonvokalo, sed (duon)konsonanto.
En analizoj de interalie la hispana oni kutime kalkulas ankaŭ la kombinon duonvokalo+vokalo kiel diftongon. Ĉe senfrota prononco, tiu analizo povas esti defendata kiel taŭga ankaŭ por Esperanto. Tiuokaze, la nombro de diftongoj en nia lingvo duobliĝas, kaj eĉ triftongoj atesteblas.
Laŭ akustika vidpuntkto, ne estas malsamo inter [i] kaj [j], [u] kaj [ŭ], kaj ne estas diftongoj aŭ silaboj. La frekvenco kaj la nivelo de formantoj estas tute similaj, simple [j] kaj [ŭ] estas mallongaj, kaj [i] kaj [u] estas longaj.