Vito vs Voxtype

Voxtype ist ein Lokal-zuerst-Push-to-Talk-Sprachtipp-Werkzeug für Linux und macOS: kostenlos, quelloffen, und es führt das Sprachmodell auf deiner eigenen Maschine aus — kein Konto, keine Kosten pro Minute, und eine Cloud-Engine nur, wenn du eine hinzufügst. Vito erledigt dieselbe Kernaufgabe — Tastenkürzel, sprechen, Text erscheint — und kann es mit seinen zwei verwalteten Engines, Parakeet und Whistle, lokal halten, fügt aber 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.

Auf einen Blick

Geprüft anhand von voxtype.io und ihrem GitHub-Repository im Oktober 2026.

Wo Voxtype die bessere Wahl ist

Standardmäßig lokal, mit Engines im Überfluss

Voxtype führt die Erkennung auf deinem eigenen Rechner aus, mit einer Auswahl von neun lokalen Engines — Whisper, Parakeet, Moonshine, SenseVoice, Paraformer, Dolphin, Omnilingual, Cohere und ein OpenVINO-Build von Whisper, der auf Intel-NPUs laufen kann —, es funktioniert also ohne Verbindung, und kein Audio verlässt das Gerät. "Local by default. No cloud, no subscription, no telemetry", wie es die Seite formuliert; seit Version 1.0 ist eine bezahlte Soniox-Cloud-Engine eingebaut, aber nur, wenn du sie wählst. Vito kann Audio und Bereinigung ebenso auf dem Gerät halten, mit Whistle oder Parakeet und einem lokalen kompatiblen Modell. Voxtype bleibt die stärker aufs Terminal ausgerichtete Wahl mit einem weit größeren Angebot an lokalen Sprach-Engines; Vito ist der Weg über eine verwaltete Desktop-App.

Es ist kostenlos ohne Sternchen

Kein Anbieterkonto, kein Guthaben, keine Nutzungsgebühr. MIT-lizenziert, und es läuft auf Hardware, die du bereits besitzt — es gibt sogar einen Basis-Build für Prozessoren ohne AVX2. Vito macht dasselbe mit Whistle oder Parakeet und einem lokalen Bereinigungsmodell; entfernte Anbieter bleiben optional.

Ein riesiges Sprachspektrum, alles lokal

Über sein Omnilingual-Modell wirbt Voxtype mit "1600+ Sprachen", alle auf dem Gerät erkannt. Vito deckt 60 Sprachen fürs Diktat und für seine 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 Spotify und andere MPRIS-Player oder senkt ihre Lautstärke und hat einen Meeting-Modus, der Sprecherzuordnung, Zusammenfassungen über Ollama und Export nach Markdown, JSON, SRT, VTT oder reinem Text 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

Du willst verwaltete lokale STT und Kontrolle über den fertigen Text

Vito installiert und verwaltet zwei lokale Engines für private Transkription ohne Nutzungskosten: Parakeet, in 25 europäischen Sprachen, und Whistle, ein Download von 18 MB in sieben Sprachen, das den Text zeigt, während du noch sprichst. Ein OpenAI-kompatibler Endpunkt lässt dich andere lokale oder entfernte Engines nutzen. Die Bereinigung hat fünf eingebaute Stile — darunter Business, Verbatim und Notizen — dazu vollständig eigene Prompts und Unterstützung für lokale Modelle.

Der Text kommt fertig heraus, nicht nur transkribiert

Das ist ein großer Unterschied zwischen den Produkten. 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 jedes Diktat durch einen zweiten KI-Durchlauf, standardmäßig an, sobald ein Bereinigungsmodell eingestellt ist: Füllwörter entfernt, der gemeinte Satz rekonstruiert, Zeilenumbrüche, wo du danach gefragt hast, gesprochenes "Daumen hoch" in 👍 verwandelt. Voxtype kann ebenfalls bei jedem Diktat etwas Ähnliches — seine Nachbearbeitungs-Einstellung leitet den Text durch jeden beliebigen Befehl, etwa Ollama, LM Studio, llama.cpp oder ein Skript —, aber das baust und stimmst du selbst ab; es ist opt-in und Marke Eigenbau, während Vito die Stile, die Prompts und die Voreinstellung mitliefert. Auch Vitos Bereinigung braucht ein Modell, und das kann ein lokales sein statt eines zweiten Schlüssels.

Dein Computer muss nicht schnell sein

Das Modell lokal auszuführen ist Voxtypes Design und auch sein Preis: Die Engines leisten echte Arbeit auf deinem eigenen Prozessor (die Seite nennt 9–11× Echtzeit für Cohere auf einer CPU), und auf einer älteren oder leichteren Maschine — oder ohne fähige GPU — bedeutet das langsamere Ergebnisse und einen wärmeren, kürzer haltenden Akku. Voxtypes optionale Soniox-Engine kann diese Last abnehmen, gegen Bezahlung. Vito gibt dir mehr Wege darum herum: Whistle ist eine leichte lokale Engine, Parakeet deckt lokal 25 Sprachen ab, und Soniox, AssemblyAI oder jeder OpenAI-kompatible Anbieter hält deinen Prozessor frei und bringt eine breitere Sprachabdeckung.

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.

Es kümmert sich auf Linux um sich selbst

Vito kommt als AppImage und als Flatpak und funktioniert auf X11 ebenso wie auf Wayland. Auf niri und Hyprland ist es ehrlich, was globale Tastenkürzel angeht, und gibt dir fertige Tastenbelegungen für deinen Compositor zum Kopieren. Es installiert neue Versionen von selbst, sobald du ein paar Minuten nicht diktiert hast — das kannst du abschalten —, und das AppImage funktioniert außerdem mit AppImageUpdate und Gear Lever. Jeder Download wird auf GitHub Actions gebaut, mit veröffentlichten Prüfsummen.

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 Dashboard, das du selbst zusammenstellst, ein durchsuchbarer lokaler Verlauf, Statistiken und 52 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. Vito Sync hält deinen Verlauf, deine Statistiken und dein Wörterbuch auf all deinen Computern gleich, über einen Ordner, den deine eigene Sync-App ohnehin abgleicht, ohne Konto, und es gibt eine Browserversion, die keine Installation braucht, auch wenn der Text dort in deiner Zwischenablage landet. Manche werden Voxtypes schlanken Ansatz genau so bevorzugen, wie er ist; 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, auf einem Dashboard, das du selbst zusammenstellst: diktierte Wörter, Stunden Tippen, die du dir gespart hast, ein Diagramm deiner Woche, ein Kalender der letzten sechs Monate und eine Serie von Tagen am Stück — knack deinen Rekord, und die Karte feiert mit. Vito selbst, das Logo mit Gesicht, plaudert mit, während du diktierst. 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 und MIT-lizenziert, beide kostenlos herunterzuladen, beide setzen Text dorthin, wo dein Cursor ist, aus einem Push-to-Talk-Tastenkürzel, und beide können die ganze Arbeit auf deiner eigenen Maschine erledigen — kein Konto, kein Audio, das sie verlässt, keine Nutzungsgebühr —, mit einer Cloud-Engine nur, wenn du eine wählst. Beide pausieren deine Musik, während du diktierst, und setzen sie danach fort, und beide laufen auf Linux mit ordentlicher Wayland-Unterstützung. Willst du null Kosten, eine große Auswahl an Engines auf dem Gerät und ein Werkzeug, das du unter Linux oder auf einem Mac aus dem Terminal steuerst, 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? Beide können das; Voxtype bietet mehr lokale Engines.
• Willst du, dass es buchstäblich nichts kostet? Beide; beide können lokal ohne Nutzungsgebühren laufen.
• 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 einen Meeting-Modus mit Sprechern und Untertitel-Export? Voxtype.
• Willst du, dass der Text schon aufgeräumt ankommt? Vito.
• Ältere oder leichtere Maschine, keine fähige GPU? Vito, mit Whistle oder einem Cloud-Anbieter.
• Willst du KI-Sprachbefehle, oder einen durchsuchbaren Verlauf und Statistiken? Vito.
• Auf Windows? Vito.