Literę ę różnie wymawiamy w różnych kontekstach, w niektórych ustnie, bez śladu nosowości, np. wzięli wymawiamy [vźel'i]. Tam, gdzie w wymowie owego ę słychać samogłoskę nosową, wymawiamy w rzeczywistości kolejno dwa dźwięki: najpierw idzie ustna samogłoska [e], a potem dopiero włącza się spóźniony już rezonans nosowy, co daje efekt w postaci nosowego niesylabicznego [u] lub nosowej joty, zależnie od kontekstu. Nie jestem pewien, czy wszyscy fonetycy zgodziliby się, aby taką wymowę opisywać jako dyftongiczną, ale wszyscy zgadzają się, że jest to wymowa asynchroniczna, i to niezależnie od tego, czy mówi zwykły człowiek, czy aktor na scenie (przy czym, oczywiście, aktorzy mówią staranniej).
Synchroniczne samogłoski nosowe występują np. w języku francuskim, więc jeśli wymówi Pani po francusku grand prix, to pierwsze słowo będzie się kończyć synchronicznym [ę]. W spolszczonej wymowie zabrzmi to raczej jako [graU pri], gdzie znakiem U oznaczyłem nosowy i niesylabiczny odpowiednik głoski [u].