Vito vs Voxtype

Voxtype es una herramienta de escritura por voz local por defecto, de pulsar para hablar, para Linux y macOS: gratis, de código abierto, y ejecuta el modelo de voz en tu propia máquina — sin cuenta, sin coste por minuto, y con un motor en la nube solo si añades uno. Vito hace lo mismo de fondo — atajo, hablas, aparece el texto — y puede mantenerlo en local con sus dos motores gestionados, Parakeet y Whistle, mientras añade una segunda pasada de IA que convierte la transcripción cruda en texto acabado, y trae una app de escritorio completa que además funciona en Windows. Este es un relato honesto de dónde gana cada uno, escrito por quienes hacen Vito y comprobado con la propia página de Voxtype.

De un vistazo

Comprobado con voxtype.io y su repositorio de GitHub en octubre de 2026.

Dónde Voxtype es la mejor opción

Local por defecto, con motores de sobra

Voxtype ejecuta el reconocimiento en tu propio ordenador con nueve motores locales a elegir —Whisper, Parakeet, Moonshine, SenseVoice, Paraformer, Dolphin, Omnilingual, Cohere y una versión OpenVINO de Whisper que puede correr en NPU de Intel—, así que funciona sin conexión y ningún audio sale del dispositivo. "Local by default. No cloud, no subscription, no telemetry", como lo plantea su página; desde la versión 1.0 trae integrado un motor en la nube de pago, Soniox, pero solo si lo eliges. Vito también puede mantener el audio y el pulido en el dispositivo, con Whistle o Parakeet y un modelo local compatible. Voxtype sigue siendo la opción más de terminal, con un abanico mucho más amplio de motores de voz locales; Vito es la vía de una app de escritorio que lo gestiona todo.

Es gratis sin asterisco

Sin cuenta de proveedor, sin saldo, sin tarifa de uso. Con licencia MIT, y se ejecuta en hardware que ya tienes; hay incluso una versión básica para procesadores sin AVX2. Vito hace lo mismo con Whistle o Parakeet y un modelo de pulido local; los proveedores remotos siguen siendo opcionales.

Un enorme abanico de idiomas, todo local

Gracias a su modelo Omnilingual, Voxtype anuncia "más de 1600 idiomas", todos reconocidos en el dispositivo. Vito cubre 60 idiomas para el dictado y para su interfaz —los que tienen más de cincuenta millones de hablantes—, lo que basta para la mayoría, pero si necesitas un idioma que un proveedor en la nube no ofrece, un modelo local que sí lo haga es una ventaja real.

Vives en la terminal, en Linux o un Mac

Voxtype está hecho para el escritorio Linux moderno y es nativo en Wayland: mantienes una tecla, hablas, sueltas, y las palabras aterrizan en tu cursor. Se configura mediante una interfaz de terminal interactiva en lugar de una ventana de ajustes, muestra una forma de onda flotante mientras hablas, pausa Spotify y otros reproductores MPRIS o les baja el volumen, y tiene un modo reunión que añade atribución de hablantes, resúmenes mediante Ollama y exportación a Markdown, JSON, SRT, VTT o texto plano. También funciona en macOS 13+, incluidos los Mac con Intel. Si lo que quieres es una herramienta manejada por teclado y sin GUI, esa superficie más pequeña es una función, no una carencia.

Dónde Vito es la mejor opción

Quieres STT local gestionado y control sobre el texto final

Vito instala y gestiona dos motores locales para una transcripción privada y sin coste de uso: Parakeet, en 25 idiomas europeos, y Whistle, una descarga de 18 MB en siete idiomas que muestra el texto mientras aún estás hablando. Un endpoint compatible con OpenAI te deja usar otros motores locales o remotos. El pulido tiene cinco estilos integrados —entre ellos Business, Verbatim y Notes—, además de instrucciones totalmente personalizadas y soporte para modelos locales.

El texto sale acabado, no solo transcrito

Esta es una gran diferencia de producto. Voxtype transcribe —con exactitud—, pero el habla está llena de "ehs", arranques en falso y frases que llegan en el orden equivocado, así que una transcripción cruda sigue leyéndose como habla y acabas editándola a mano. Vito pasa cada dictado por una segunda ronda de IA, activada por defecto en cuanto hay un modelo de pulido configurado: muletillas eliminadas, la frase que querías reconstruida, saltos de línea donde los pediste, "pulgar arriba" dicho convertido en 👍. Voxtype también puede hacer algo parecido con cada dictado —su ajuste de posprocesamiento pasa el texto por el comando que quieras, como Ollama, LM Studio, llama.cpp o un script—, pero eso lo montas y lo ajustas tú; es opcional, mientras que Vito trae los estilos, las instrucciones y el valor por defecto. El pulido de Vito también necesita un modelo, y puede ser uno local en lugar de una segunda clave.

Tu ordenador no tiene que ser rápido

Ejecutar el modelo localmente es el diseño de Voxtype y también su coste: los motores hacen trabajo real en tu propio procesador (su página cita entre 9 y 11× el tiempo real para Cohere en una CPU), y en una máquina más vieja o ligera —o sin una GPU capaz— eso significa resultados más lentos y una batería más caliente y de menor duración. El motor opcional Soniox de Voxtype puede quitarte esa carga, pagando. Vito te da más formas de sortearlo: Whistle es un motor local ligero, Parakeet cubre 25 idiomas en local, y Soniox, AssemblyAI o cualquier proveedor compatible con OpenAI dejan libre tu procesador y añaden más idiomas.

Pregúntale a la IA por voz — Voxtype solo escribe

Voxtype convierte voz en texto y se detiene ahí. El Vito Assist de Vito convierte voz en una instrucción: "Vito, traduce esto al alemán", "Vito, ¿cuál es la capital de Francia?", "Vito, ¿el 15 % de 240?" —traducciones, respuestas, cálculos y definiciones, dichos con la misma facilidad que un dictado y devueltos en el sitio. Si quieres que tu dictado también responda preguntas, Voxtype no lo hace, y Vito sí.

Se cuida solo en Linux

Vito se distribuye como AppImage y como Flatpak y funciona tanto en X11 como en Wayland. En niri e Hyprland es honesto sobre los atajos globales y te da combinaciones de teclas listas para copiar para tu compositor. Instala las versiones nuevas por sí solo cuando llevas unos minutos sin dictar —puedes desactivarlo—, y el AppImage también funciona con AppImageUpdate y Gear Lever. Cada descarga se compila en GitHub Actions, con sumas de comprobación publicadas.

Quieres Windows, y una app completa alrededor

Vito está para Windows, macOS y Linux; Voxtype es solo para Linux y Mac, sin versión para Windows. Vito además es una aplicación de escritorio completa —un panel que organizas a tu gusto, un historial local buscable, estadísticas y 52 logros, un mini overlay y una interfaz en 60 idiomas— mientras que Voxtype es deliberadamente primero la terminal, con una TUI para configurar en lugar de pantallas por las que hacer clic. Vito Sync mantiene tu historial, tus estadísticas y tu diccionario iguales en todos tus ordenadores a través de una carpeta que tu propia app de sincronización ya sincroniza, sin cuenta, y hay una versión para navegador que no necesita instalación, aunque ahí el texto acaba en tu portapapeles. Algunos preferirán el enfoque ligero de Voxtype tal como es; otros querrán la app.

Es bastante divertido

Una cosa pequeña, y no vamos a fingir que decide nada. Vito lleva la cuenta en un panel que organizas a tu gusto: palabras dictadas, horas de tecleo que no tuviste que hacer, un gráfico de tu semana, un calendario de los últimos seis meses y una racha de días seguidos — supera tu récord y la tarjeta lo celebra. El propio Vito, el logo con cara, charla contigo mientras dictas. Hay más de 50 logros por desbloquear por el camino, algunos absurdos, varios ocultos.

Resulta que importa más de lo que parece. Dictar en lugar de teclear es un hábito que hay que construir, y la primera semana es la parte incómoda: ver "1 h 38 m de tecleo ahorrado" es un empujón para seguir que una ventana en blanco no te da. Si eso te suena a truco, ignóralo por completo; nada depende de ello.

Qué hacen ambos

Ambos son de código abierto y con licencia MIT, ambos gratis de descargar, ambos ponen texto donde está tu cursor desde un atajo de pulsar para hablar, y los dos pueden hacer todo el trabajo en tu propia máquina —sin cuenta, sin que ningún audio salga de ella, sin tarifa de uso—, con un motor en la nube solo si eliges uno. Ambos pausan tu música mientras dictas y la reanudan después, y ambos corren en Linux con soporte adecuado de Wayland. Si quieres coste cero, una amplia variedad de motores en el dispositivo y una herramienta que manejas desde la terminal en Linux o un Mac, Voxtype es un proyecto al que estamos encantados de apuntarte, y esta comparación existe para ayudarte a elegir, no para disuadirte de él.

Así que cuál de los dos

• ¿El audio no debe salir nunca de la máquina, o sin internet? Cualquiera de los dos sirve; Voxtype ofrece más motores locales.
• ¿Quieres que no cueste literalmente nada? Cualquiera; los dos pueden funcionar en local sin tarifas de uso.
• ¿Necesitas un idioma que un proveedor en la nube no cubre? Los modelos locales de Voxtype.
• ¿A gusto en la terminal, en Linux o un Mac? Voxtype.
• ¿Quieres un modo reunión con hablantes y exportación de subtítulos? Voxtype.
• ¿Quieres que el texto llegue ya limpio? Vito.
• ¿Máquina más vieja o ligera, sin una GPU capaz? Vito, con Whistle o un proveedor en la nube.
• ¿Quieres comandos de IA por voz, o un historial buscable y estadísticas? Vito.
• ¿En Windows? Vito.