>просто орфографически так сложилось, что его не пишут

"Так сложилось" — как сложилось? Осветите процесс подробнее. Пока что я вижу, что постановка мягкого знака в таких случаях, в том числе и внутри корня, автоматически вызывает к жизни звук [й'] — т.к. звукосочетания [ви], [ки] и прочие сочетания твёрдых согласных звуков с [и] в русском языке невозможны. Т.е. постановка мягкого знака, именно его, вносит йотацию, это не просто историческое произношение.

>Дифтонг - это слияние двух гласных звуков

Окей, звукосочетание. Суть не меняется.

>Среднеязычным, емнип

Верно. Скромно напоминаю, что смягчение согласных также достигается палатализацией.