Po samogłoskach w alfabecie następują cztery dyftongi, czyli dwugłoski e, ai, o, au | ए ऐ ओ औ. Są to głoski mieszane, co oznacza, że mają dwa miejsca artykulacji. Co do tego, czy wszystkie cztery można zaliczyć do dyftongów, zdania są podzielone. Raczej można powiedzieć, że tylko ai i au potrzebują użycia dwóch miejsc artykulacji. Pojawia się również teza, że e i o były oryginalnie wymawiane jako ai i au.
W podręczniku sanskrytu Andrzeja Gawrońskiego o dyftongach pisze się tak: “W indyjskich tekstach fonetycznych i gramatycznych e, ai, o, au są określane mianem ‘samogłosek złożonych’ (samdhyakṣara सम्ध्यक्षर ), jednakże z fonetycznego punktu widzenia e i o należą do samogłosek pojedyńczych.”
Małgorzata Wielińska w “Zarysie fonetyki sanskrytu”: “Często do dyftongów zalicza się także e oraz o. Historycznie jest to uzasadnione (por. sandhi tych dwóch samogłosek), jednak ich monoftongiczną wymowę zaświadczają nawet najstarsze traktaty fonetyczne.”
A Eugeniusz Słuszkiewicz w "Pradziejach i legendach Indii o głosce e pisze tak: "e (to jest w staroindoaryjskim zawsze długie jako powstałe z dawniejszej dwugłoski)."
Natomiast Wikner autor “Practical Sanskrit Introductory” ich nie rozróżnia.” The compound vowels make use of two mouth positions: e and ai use both guttural and palatal (kaṇṭhatālavya कण्ठतालव्य) and o and au use guttural and labial (kaṇṭhoṣṭhya कण्ठोष्ठ्य).“