Vito vs Voxtype
Voxtype ist ein vollständig lokales Push-to-Talk-Sprachtipp-Werkzeug für Linux und macOS: kostenlos, quelloffen, und es führt das Sprachmodell auf deiner eigenen Maschine aus — keine Cloud, kein Konto, keine Kosten pro Minute. Vito erledigt dieselbe Kernaufgabe — Tastenkürzel, sprechen, Text erscheint — nimmt aber den umgekehrten Handel: Es sendet Audio an einen Cloud-Anbieter, fügt einen zweiten KI-Durchlauf hinzu, der aus der rohen Abschrift fertigen Text macht, und liefert eine vollständige Desktop-App, die auch unter Windows läuft. Das ist ein ehrlicher Bericht darüber, wo jedes gewinnt, geschrieben von den Leuten, die Vito machen, und geprüft anhand von Voxtypes eigener Seite.
Die Ein-Zeilen-Fassung
Willst du, dass deine Stimme vollständig auf deiner Linux- oder Mac-Maschine bleibt, und steuerst du es gern über die Tastatur, ist Voxtype eine schöne, wirklich kostenlose Antwort. Willst du, dass der Text fertig herauskommt — Füllwörter weg, Sätze repariert — plus Windows-Unterstützung und eine echte App drumherum, geht Vito weiter.
Auf einen Blick
| Vito | Voxtype | |
|---|---|---|
| Die Aufgabe | Du diktierst, es tippt fertigen Text | Push-to-Talk-Sprachtippen, eine rohe Abschrift |
| KI-Aufräumen des Textes | Ja, stets aktiver zweiter KI-Durchlauf | Optional — dein eigenes lokales LLM (Ollama), Meeting-Modus |
| Wo es läuft | Cloud | Deine eigene Maschine |
| Funktioniert offline | Nein | Ja |
| Oberfläche | Vollständige Desktop-App — Verlauf, Statistiken, Einstellungen | Terminal-zuerst — CLI, TUI-Einrichtung, eine schwebende Wellenform (macOS-Menüleiste) |
| Windows | Ja | Nein |
| Linux | Ja | Ja, Wayland-nativ |
| macOS | Ja | Ja (13+, Apple Silicon & Intel) |
| Kosten | Kostenlose App, ~0,15 € pro Stunde an deinen eigenen Anbieter | Kostenlos, vollständig |
| Quellcode | Offen | Offen, MIT |
| Einzurichtende Konten | Zwei Anbieterschlüssel | Keine |
| Sprach-Engines | Cloud-Anbieter (Soniox, AssemblyAI) | Whisper, Parakeet, Cohere + mehr — lokal |
| Sprachen | 60, Diktat und Oberfläche | 1600+ über die mehrsprachigen Modelle |
| KI-Sprachbefehle | Ja — sag einfach "Vito, …" | Nein |
| Verlauf, Statistiken, Erfolge | Ja | Nein |
Geprüft anhand von voxtype.io im August 2026.
Wo Voxtype die bessere Wahl ist
Nichts verlässt je deine Maschine
Voxtype führt die Erkennung auf deinem eigenen Rechner aus — Whisper, Parakeet, Cohere und mehrere weitere Engines — es funktioniert also ohne Verbindung, und es verlässt nie Audio das Gerät. "Local by default. No cloud, no subscription, no telemetry", wie es die Seite formuliert; ein entfernter Whisper-Server wird angeboten, ist aber nie erforderlich. Vito sendet Audio immer an einen Cloud-Anbieter; sein Aufräumschritt kann auf einem lokalen LLM laufen, aber die Sprache-zu-Text geht weiterhin nach außen. Ist die Anforderung, dass deine Stimme vollständig auf dem Gerät bleibt, ist Voxtype die sauberere Antwort — derselbe Handel wie bei Handy und VocaLinux.
Es ist kostenlos ohne Sternchen
Kein Anbieterkonto, kein Guthaben, keine fünfzehn Cent pro Stunde. MIT-lizenziert, und es läuft auf Hardware, die du bereits besitzt. Vitos App ist ebenfalls kostenlos und kann sogar ohne Kosten betrieben werden, indem man AssemblyAIs kostenloses Guthaben mit Groqs kostenloser Stufe koppelt — aber das bedeutet immer noch ein Anbieterkonto oder zwei, und jenseits der kostenlosen Kontingente sind es etwa fünfzehn Cent pro Stunde. Voxtype verlangt nichts davon.
Ein riesiges Sprachspektrum, alles lokal
Weil es sich auf Whisper und andere mehrsprachige Modelle stützt, wirbt Voxtype mit CJK-Unterstützung und "1600+ Sprachen", alle auf dem Gerät erkannt. Vito deckt 60 Sprachen fürs Diktat und für die Oberfläche ab — jene mit mehr als fünfzig Millionen Sprechern —, was für die meisten Menschen reichlich ist, aber brauchst du eine Sprache, die ein Cloud-Anbieter nicht bietet, ist ein lokales Modell, das es tut, ein echter Vorteil.
Du lebst im Terminal, unter Linux oder auf einem Mac
Voxtype ist für den modernen Linux-Desktop gebaut und Wayland-nativ: Du hältst eine Taste, sprichst, lässt los, und die Wörter landen an deinem Cursor. Es wird über eine interaktive Terminal-Oberfläche statt eines Einstellungsfensters konfiguriert, zeigt eine schwebende Wellenform, während du sprichst, pausiert automatisch Spotify und andere MPRIS-Player und hat einen Meeting-Modus, der Sprecherzuordnung sowie Export nach Markdown, JSON, SRT oder VTT hinzufügt. Es läuft auch unter macOS 13+, einschließlich Intel-Macs. Willst du ein tastaturgesteuertes Werkzeug ohne GUI, ist diese kleinere Oberfläche ein Vorteil, keine Lücke.
Wo Vito die bessere Wahl ist
Der Text kommt fertig heraus, nicht nur transkribiert
Das ist der ganze Unterschied, und es ist der Grund, warum Vito einen zweiten Schlüssel braucht. Voxtype transkribiert — präzise — aber Sprache ist voller "Ähs", Fehlstarts und Sätze, die in der falschen Reihenfolge ankommen, eine rohe Abschrift liest sich also weiterhin wie Sprache und du bearbeitest sie am Ende von Hand. Vito schickt standardmäßig jedes Diktat durch einen zweiten KI-Durchlauf: Füllwörter entfernt, der gemeinte Satz rekonstruiert, Zeilenumbrüche, wo du danach gefragt hast, gesprochenes "Daumen hoch" in 👍 verwandelt. Voxtype kann etwas Ähnliches, aber nur, wenn du ein lokales Ollama-Modell einrichtest, und vor allem in seinem Meeting-Modus — es ist opt-in und Marke Eigenbau, nicht die stets aktive Voreinstellung, um die herum Vito gebaut ist.
Dein Computer muss nicht schnell sein
Das Modell lokal auszuführen ist Voxtypes Design und auch sein Preis: die Engines leisten echte Arbeit auf deiner CPU (die Seite nennt 9–11× Echtzeit), und auf einer älteren oder leichteren Maschine — oder ohne fähige GPU — bedeutet das langsamere Ergebnisse und einen wärmeren, kürzer haltenden Akku. Vito erledigt die schwere Arbeit in der Cloud, ein acht Jahre alter Laptop bekommt also dieselbe Genauigkeit wie eine neue Workstation und dein Prozessor bleibt frei, während du diktierst. Der Preis sind etwa fünfzehn Cent pro Stunde und Audio, das an den von dir gewählten Anbieter geht.
Frag die KI per Stimme — Voxtype tippt nur
Voxtype verwandelt Sprache in Text und hört da auf. Vitos Vito Assist verwandelt Sprache in eine Anweisung: "Vito, übersetze das ins Deutsche", "Vito, was ist die Hauptstadt von Frankreich?", "Vito, 15 % von 240?" — Übersetzungen, Antworten, Rechnen und Definitionen, so leicht gesprochen wie ein Diktat und an Ort und Stelle zurückgegeben. Willst du, dass dein Diktat auch Fragen beantwortet, tut Voxtype das nicht, und Vito schon.
Du willst Windows, und eine vollständige App drumherum
Vito gibt es für Windows, macOS und Linux; Voxtype gibt es nur für Linux und Mac, ohne Windows-Build. Vito ist außerdem eine vollständige Desktop-Anwendung — ein Status-Dashboard, ein durchsuchbarer lokaler Verlauf, Statistiken und über 50 Erfolge, ein Mini-Overlay und eine Oberfläche in 60 Sprachen —, wo Voxtype bewusst Terminal-zuerst ist, mit einer TUI zur Einrichtung statt Bildschirmen zum Durchklicken. Manche werden genau das bevorzugen; andere werden die App wollen.
Es macht ziemlich Spaß
Eine kleine Sache, und wir tun nicht so, als würde sie irgendetwas entscheiden. Vito zählt mit: diktierte Wörter, aufgeräumte Sätze, Stunden Tippen, die du dir gespart hast, ein Diagramm deiner Woche. Es gibt über 50 Erfolge zum Freischalten unterwegs, manche albern, einige versteckt.
Es stellt sich heraus, dass es mehr ausmacht, als es klingt. Diktieren statt Tippen ist eine Gewohnheit, die man sich aufbauen muss, und die erste Woche ist der unbeholfene Teil – "1 Std. 38 Min. Tippen gespart" zu sehen ist ein Anstoß weiterzumachen, den dir ein leeres Fenster nicht gibt. Klingt das für dich nach einer Spielerei? Ignoriere es getrost völlig; nichts hängt davon ab.
Was beide tun
Beide sind quelloffen, beide kostenlos herunterzuladen, beide setzen Text dorthin, wo dein Cursor ist, aus einem Push-to-Talk-Tastenkürzel, und beide halten deine Daten von jeder Plattform fern — Voxtype, indem es lokal läuft, Vito, indem es kein Konto hat und Audio nur an den von dir gewählten Anbieter sendet. Beide pausieren deine Musik, während du diktierst, und setzen sie danach fort, und beide laufen auf Linux mit ordentlicher Wayland-Unterstützung. Gefällt dir die Idee von Vito, aber nicht die Cloud — oder willst du null Kosten und reine, geräteinterne Transkription auf Linux oder einem Mac — ist Voxtype ein Projekt, auf das wir dich gern verweisen, und dieser Vergleich existiert, um dir bei der Wahl zu helfen, nicht um dich davon abzubringen.
Also welches von beiden
- Audio darf die Maschine nie verlassen, oder kein Internet? Voxtype.
- Willst du, dass es buchstäblich nichts kostet? Voxtype.
- Brauchst du eine Sprache, die ein Cloud-Anbieter nicht abdeckt? Voxtypes lokale Modelle.
- Fühlst du dich im Terminal wohl, unter Linux oder auf einem Mac? Voxtype.
- Willst du, dass der Text schon aufgeräumt ankommt? Vito.
- Ältere oder leichtere Maschine, keine fähige GPU? Vito.
- Willst du KI-Sprachbefehle, oder einen durchsuchbaren Verlauf und Statistiken? Vito.
- Auf Windows? Vito.