Vito 対 Voxtype
VoxtypeはLinuxとmacOS向けの、完全ローカルな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—— クラウド不要、アカウント不要、1分あたりの費用もなし。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——が、逆のトレードオフを選んでいます。音声を クラウドプロバイダーに送り、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 ページ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、常時オンの2回目のAI処理 | 任意——自分のローカルLLM（Ollama）を用意、ミーティングモード |
| 動作する場所 | クラウド | あなた自身のマシン |
| オフラインで動作 | いいえ | はい |
| インターフェース | 本格的なデスクトップアプリ——履歴、統計、設定 | 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 | はい、Waylandネイティブ |
| macOS | はい | はい（13+、Apple Silicon と Intel） |
| 費用 | アプリは無料、自分のプロバイダーに1時間あたり約€0,15 | 完全に無料 |
| ソースコード | オープン | オープン、MIT |
| 設定が必要なアカウント | 2つのプロバイダーキー | なし |
| 音声エンジン | クラウドプロバイダー（Soniox、AssemblyAI） | Whisper、Parakeet、Cohere ＋その他——ローカル |
| 言語 | 60、音声入力とインターフェース | 多言語モデルで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 を 2026年8月に照合しました。
Voxtype のほうが良い選択となる場面
何ひとつマシンの外に出ない、絶対に
Voxtypeは認識をあなた自身のコンピューター上で実行します——Whisper、Parakeet、Cohere、 そしてさらにいくつかのエンジン——ので、接続なしで動作し、音声が一切マシンの外に出ること 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。リモートのWhisperサーバーも用意されていますが、必須では ありません。Vitoは音声を常にクラウドプロバイダーに送ります。クリーンアップの工程は ローカルのLLMで動かせますが、音声テキスト変換（STT）は依然として外に出ていきます。声を 完全に端末内にとどめることが要件なら、Voxtypeのほうがすっきりした答えです——HandyやVocaLinux と同じトレードオフです。
注釈なしで無料
プロバイダーのアカウントも、残高も、1時間あたり15セントもありません。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。Vitoのアプリも無料で、AssemblyAIの 無料クレジットとGroqの無料枠を組み合わせれば費用ゼロで使うことさえできます——とはいえ それでもプロバイダーのアカウントが1つか2つは必要で、無料の範囲を超えれば1時間あたり 約15セントです。Voxtypeはそのどれも要求しません。
膨大な言語対応、すべてローカルで
Whisperをはじめとする多言語モデルに頼っているため、VoxtypeはCJKのサポートと「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 自動で一時停止し、話者の識別を加えてMarkdown、JSON、SRT、VTTに書き出す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
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
これこそが違いのすべてであり、Vitoが2つ目のキーを必要とする理由です。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は標準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も似たことはできますが、ローカルのOllama モデルを設定した場合に限られ、主にミーティングモードでのことです——オプトインで自作の ものであり、Vitoが中心に据える常時オンの標準ではありません。
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CPUで実際の処理を行い（サイトはリアルタイムの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。Vitoは重い処理をクラウドで行うので、8年前の ノートパソコンでも新しいワークステーションと同じ精度が得られ、音声入力している間も プロセッサは空いたままです。代償は1時間あたり約15セントと、あなたが選んだプロバイダーへ 送られる音声です。
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。
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——ステータスダッシュボード、検索可能なローカル履歴、統計と50以上の実績、 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。まさにそれを好む人も 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 はカウントを取り続けます。音声入力した単語数、クリーンアップした文の数、しな くて済んだタイピングの時間、そして今週のグラフ。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、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、どちらもあなたのデータをどの プラットフォームにも預けません——Voxtypeはローカルで動くことで、Vitoはアカウントを持たず、 あなたが選んだプロバイダーにのみ音声を送ることで。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。Vitoの発想は 気に入ったけれどクラウドは気に入らない——あるいはLinuxやMacで費用ゼロの、純粋な端末内での 文字起こしが欲しい——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？ Voxtype。
- 文字どおり一切費用をかけたくない？ Voxtype。
- 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。
- 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。
- 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。