Vito 対 Voxtype
VoxtypeはLinuxとmacOS向けの、ローカル優先のpush-to-talk音声入力ツールです。無料でオープンソース、そして音声モデルをあなた自身のマシン上で実行します—— アカウント不要、1分あたりの費用もなし、クラウドのエンジンは自分で追加した場合だけ。 Vitoも中核となる部分は同じです——ホットキーを押して話すとテキストが現れます——し、 2つの管理されたエンジン、ParakeetとWhistleでローカルにとどめることもできます。そのうえで、生の文字起こしを仕上がったテキストに変える2回目のAI処理を加え、Windowsでも動く本格的なデスクトップアプリを提供します。以下は、それぞれがどこで勝るのかについての率直な説明であり、Vitoを作っている人間が執筆し、Voxtype自身のサイトと照合したものです。
一行でまとめると
あなたの声を完全にLinuxまたはMacマシン上にとどめたい、そしてキーボードから操作するのが心地よいなら、Voxtypeは素敵で、本当に無料の答えです。テキストが仕上がった状態 で出てきてほしい——つなぎ言葉が消え、文が整えられた状態で——加えてWindowsのサポートとその周りの本格的なアプリが欲しいなら、そこはVitoがさらに踏み込みます。
ひと目でわかる比較
| Vito | Voxtype | |
|---|---|---|
| 仕事の中身 | あなたが音声入力すると、仕上がったテキストを入力 | push-to-talk音声入力、生の文字起こし |
| テキストのAIクリーンアップ | あり、2回目のAI処理、初期設定でオン | 任意——音声入力ごとに自分のコマンドやローカルLLMに通す |
| 動作する場所 | あなたのマシン、またはブラウザーの中。クラウドは任意 | あなた自身のマシン。Sonioxのクラウドエンジンは任意 |
| オフラインで動作 | はい——WhistleまたはParakeetとローカルのクリーンアップで | はい |
| インターフェース | 本格的なデスクトップアプリ（ダッシュボード、履歴、統計）＋ブラウザー版 | ターミナル優先——CLI、TUIセットアップ、フローティング波形（macOSメニューバー） |
| Windows | はい | いいえ |
| Linux | はい、X11 と Wayland。AppImage と Flatpak | はい、Waylandネイティブ |
| macOS | はい | はい（13+、Apple Silicon と Intel） |
| 費用 | 無料アプリ。ローカルなら0ユーロ、一般的なクラウドプロバイダーなら約0.15ユーロ/時 | 無料。任意のSonioxエンジンは有料 |
| ソースコード | オープン、MIT | オープン、MIT |
| 設定が必要なアカウント | ローカル利用では不要。BYOKは任意 | なし |
| 音声エンジン | Vito管理のParakeetとWhistle（ローカル）、Soniox、AssemblyAI、またはOpenAI互換STT | 9つのローカルエンジン——Whisper、Parakeet、Moonshine、Cohereなど。Sonioxは任意 |
| 言語 | 60、音声入力とインターフェース | Omnilingualモデルで1600以上 |
| 音声によるAIコマンド | あり——ただ「Vito、…」と言うだけ | なし |
| 履歴、統計、実績 | はい | いいえ |
voxtype.io と GitHubリポジトリを 2026年10月に照合しました。
Voxtype のほうが良い選択となる場面
標準でローカル、エンジンもたっぷり
Voxtypeは認識をあなた自身のコンピューター上で実行し、9つのローカルエンジンから選べます——Whisper、Parakeet、Moonshine、SenseVoice、Paraformer、Dolphin、Omnilingual、 Cohere、そしてIntelのNPUでも動くOpenVINO版のWhisper——ので、接続なしで動作し、音声が端末の外に出ることはありません。サイトの言葉を借りれば「標準でローカル。クラウドなし、サブスクリプションなし、テレメトリなし」です。バージョン1.0からは有料のSonioxクラウドエンジンが組み込まれていますが、自分で選んだ場合だけです。Vitoも同じように、Whistleか Parakeetとローカルの互換モデルを使えば、音声もクリーンアップも端末内にとどめられます。 Voxtypeは、ずっと幅広いローカル音声エンジンを備えた、よりターミナル優先の選択肢であり続け、Vitoは管理されたデスクトップアプリという道です。
注釈なしで無料
プロバイダーのアカウントも、残高も、使用料もありません。MITライセンスで、すでにあなたが持っているハードウェアの上で動きます——AVX2のないプロセッサ向けのベースラインビルドまであります。VitoもWhistleかParakeetとローカルのクリーンアップモデルで同じことをし、リモートのプロバイダーは任意のままです。
膨大な言語対応、すべてローカルで
Omnilingualモデルを通じて、Voxtypeは「1600以上の言語」をうたい、すべて端末内で認識します。Vitoは音声入力とインターフェースで60の言語——話者が5000万人を超える言語——をカバーしており、たいていの人には十分ですが、クラウドプロバイダーが提供しない言語が必要なら、それに対応するローカルモデルは本物の利点です。
あなたはターミナルで暮らしている、LinuxかMacで
Voxtypeは現代のLinuxデスクトップ向けに作られ、Waylandネイティブです。キーを押し続け、話し、離すと、言葉がカーソルの位置に届きます。設定ウィンドウではなく対話的なターミナルUI で設定し、話している間はフローティングの波形を表示し、Spotifyやその他のMPRISプレーヤーを一時停止するか音量を下げ、話者の識別、Ollamaによる要約、Markdown、JSON、SRT、VTT、プレーンテキストへの書き出しを加えるミーティングモードを備えています。macOS 13+でも、 Intel Macを含めて動作します。キーボードで操作する、GUIのないツールが欲しいなら、その小さな範囲は欠点ではなく機能です。
Vito のほうが良い選択となる場面
管理されたローカルSTTと、最終的なテキストを思いどおりにしたい
Vitoは、プライベートで使用料ゼロの文字起こしのために、2つのローカルエンジンをインストールして管理します。欧州の25言語に対応するParakeetと、18 MBのダウンロードで 7言語に対応し、まだ話しているうちからテキストを表示するWhistleです。OpenAI互換のエンドポイントを使えば、ほかのローカルまたはリモートのエンジンも使えます。クリーンアップには、Business、Verbatim、Notesを含む5つの組み込みスタイルに加えて、完全にカスタムのプロンプトとローカルモデルへの対応があります。
何もコンピューターの外に出ません。アカウント不要、利用料もかかりません。音声は選んだプロバイダーにだけ送られ、ほかには行きません。間に Vito のサーバーはありません。
テキストが仕上がった状態で出てくる、単に文字起こしされるのではなく
これは製品としての大きな違いです。Voxtypeは文字起こしをします——正確に——が、話し言葉は「えー」や言い直し、順序が入れ替わって届く文であふれています。そのため生の文字起こしでも依然として話し言葉のように読め、結局は手で直すことになります。Vitoは、クリーンアップモデルを設定すれば初期設定で、すべての音声入力を2回目のAI処理に通します。つなぎ言葉を取り除き、あなたが言いたかった文を組み立て直し、頼んだところで改行を入れ、声に出した「サムズアップ」を👍に変えます。Voxtypeもすべての音声入力に似たことができます——後処理の設定で、Ollama、LM Studio、llama.cpp、スクリプトなど好きなコマンドにテキストを通せます——が、それを組み立てて調整するのは自分です。オプトインで自作のものであり、Vitoはスタイル、プロンプト、初期設定まで用意しています。Vitoのクリーンアップにもモデルは必要ですが、2つ目のキーではなく、ローカルのモデルでも構いません。
あなたのコンピューターは高速である必要がない
モデルをローカルで動かすことはVoxtypeの設計であり、同時にそのコストでもあります。エンジンはあなたのプロセッサで実際の処理を行い（サイトはCPU上のCohereでリアルタイムの 9〜11倍と記しています）、古い、あるいは非力なマシンでは——または高性能なGPUがなければ ——それは結果が遅くなり、発熱して寿命の短いバッテリーを意味します。Voxtypeの任意の Sonioxエンジンなら、有料でその負荷を肩代わりできます。Vitoにはそれを回避する道がもっとあります。Whistleは軽いローカルエンジンで、Parakeetはローカルで25言語をカバーし、 Soniox、AssemblyAI、あるいはOpenAI互換のプロバイダーならプロセッサを空けたまま、より幅広い言語に対応できます。
AIに声で尋ねる——Voxtype は入力するだけ
Voxtypeは音声をテキストに変えて、そこで止まります。VitoのVito Assist は音声を指示に変えます。「Vito、これをドイツ語に訳して」「Vito、フランスの首都は？」「Vito、240の15%は？」——翻訳、回答、計算、定義を、音声入力と同じくらい手軽に話しかけ、その場で返します。音声入力に質問への回答も兼ねてほしいなら、Voxtypeはしませんが、 Vitoはします。
Linuxで、自分の面倒は自分で見てくれる
VitoはAppImageとFlatpakで提供され、WaylandだけでなくX11でも動きます。niriと Hyprlandではグローバルホットキーについて正直に伝え、あなたのコンポジター向けにそのままコピーできるキー割り当てを渡してくれます。数分間音声入力していないと、新しいバージョンを自分でインストールし——これはオフにもできます——AppImageはAppImageUpdate やGear Leverにも対応しています。すべてのダウンロードはGitHub Actionsでビルドされ、チェックサムが公開されています。
Windowsが欲しい、そしてその周りに本格的なアプリが欲しい
VitoはWindows・macOS・Linux向けに提供されています。VoxtypeはLinuxとMac専用で、 Windows版はありません。Vitoはさらに本格的なデスクトップアプリケーションでもあります ——自分で並べるダッシュボード、検索可能なローカル履歴、統計と52の実績、ミニオーバーレイ、そして60言語のインターフェース——一方Voxtypeはあえてターミナル優先で、クリックして進む画面ではなくセットアップ用のTUIを備えています。Vito Syncは、あなたの同期アプリがすでに同期しているフォルダーを通じて、アカウントなしに、履歴、統計、辞書をすべてのコンピューターで同じに保ちます。インストール不要のブラウザー版もありますが、そこではテキストはクリップボードに入ります。Voxtypeのすっきりしたやり方をそのまま好む人もいれば、アプリが欲しい人もいるでしょう。
それに、なかなか楽しい
ちょっとしたことで、これで何かが決まるふりをするつもりはありません。Vito は自分で組み立てるダッシュボードでカウントを取り続けます。音声入力した単語数、しなくて済んだタイピングの時間、今週のグラフ、過去6か月のカレンダー、そして連続日数の記録。自己ベストを更新すると、カードがお祝いしてくれます。顔のあるロゴである Vito 本人も、音声入力のあいだ横でおしゃべりしてくれます。道のりには 50以上の実績があり、ばかばかしいものもあれば、いくつかは隠されています。
思っている以上に効いてきます。タイピングの代わりに音声入力するのは身につけるべき習慣で、最初の一週間がぎこちない時期です。「タイピング1時間38分を節約」と表示されるのは、空っぽのウィンドウでは得られない、続けるための後押しになります。ギミックに聞こえるなら、まるごと無視してかまいません。何もそれに左右されません。
両方に共通してできること
どちらもオープンソースでMITライセンス、どちらも無料でダウンロードでき、どちらも push-to-talkのホットキーからカーソルのある場所にテキストを入力し、どちらも仕事のすべてをあなた自身のマシンでこなせます——アカウントなし、音声が外に出ることなし、使用料なし——クラウドのエンジンは自分で選んだ場合だけです。どちらも音声入力の間は音楽を一時停止し、その後に再開し、どちらもきちんとしたWaylandのサポートでLinux上で動作します。費用ゼロで、端末内のエンジンを幅広く選べ、LinuxやMacのターミナルから操作するツールが欲しいなら、Voxtypeこそ私たちが喜んであなたに勧めるプロジェクトです。この比較は、あなたが選ぶのを助けるために存在するのであって、思いとどまらせるためではありません。
では、どちらを選ぶか
- 音声が絶対にマシンの外に出てはいけない、あるいはインターネットがない？ どちらでも使えます。Voxtypeの方がローカルエンジンが多くあります。
- 文字どおり一切費用をかけたくない？ どちらでも。どちらもローカルで、使用料なしに動かせます。
- クラウドプロバイダーが対応しない言語が必要？ Voxtypeのローカルモデル。
- ターミナルが心地よい、LinuxかMacで？ Voxtype。
- 話者の識別と字幕の書き出しができるミーティングモードが欲しい？ Voxtype。
- テキストがすでにクリーンアップされた状態で届いてほしい？ Vito。
- 古い、あるいは非力なマシンで、高性能なGPUがない？ Vito、Whistleかクラウドプロバイダーで。
- 音声によるAIコマンド、あるいは検索可能な履歴と統計が欲しい？ Vito。
- Windowsで？ Vito。