Vito のプロバイダーを選ぶ

Vito は無料で、独自のアカウントを持ちません。話した内容には二つの処理が行われます — 聞き取るものと、聞き取った言葉を整えるもの — そしてそれぞれについて、作業を担うのが自分のパソコンか、自分でキーを持つプロバイダーかを選べます。2026.9 以降、どちらの半分にもキーは必須ではありません。

このページは地図です。Vito が使えるすべての選択肢について、費用、必要なもの、得意なことと不得意なこと。そしてキーが実際に必要な四つのプロバイダーには、それぞれ手順ガイドがあります。

二つの半分

聞き取る半分は、声を言葉に変えます。精度、口述できる言語、テキストが表示されるまでの待ち時間はここで決まります。整える半分は、その言葉を送るに値するテキストに変えます。言いよどみを取り除き、文を整え、頼んだ位置で改行します。口述と「話している人の書き起こし」を分けるのは、この工程です。

二つは独立しています。ローカルで聞き取ってクラウドで整えてもよいし、その逆でも構いません。半分ずつ、それぞれの良し悪しで選んでください。

聞き取る半分

Vito ローカル (Parakeet) ローカル 利用料なし

自分のパソコン上 · アカウントもキーも不要 · 25 のヨーロッパ言語 · 約 900 MB の初回ダウンロード

Vito がエンジンを自分でインストールして実行します。設定 → 音声認識 で選び、インストールを一度押せば準備は完了です。中身は parakeet.cpp と NVIDIA の Parakeet TDT 0.6B v3 で、Vito は固定されたビルドとモデルを取得し、リリースに埋め込まれたハッシュで両方を検証し、そのカードを選んでいる間だけエンジンを動かします。

• 利点: 登録するものも、今も将来も支払うものもなく、音声がパソコンの外に出ることもありません。速さも十分で、12 コアのデスクトップなら 13 秒の口述が CPU で約 1.2 秒、Vulkan の GPU ビルドで 0.25 秒です。言語は自動で判別されます。
• 欠点: 60 ではなく 25 のヨーロッパ言語、実行中は約 1 GB のメモリと 0.9 GB のディスク、そして処理は自分のプロセッサーに載ります。薄型ノートパソコンでは体感でき、バッテリーにも響きます。リアルタイムの文字起こしはなく、テキストは話し終えたときに届きます。このエンジンはキーワードを使いませんが、自分の修正は引き続き効きます。

OpenAI 互換のエンドポイント ローカルまたはリモート

自分のサーバー、またはホスト型 · ベース URL、キーはそのエンドポイントが求める場合のみ · 費用と対応言語は URL の先にあるもの次第

Vito にベース URL を渡せば、応答するものと通信します。自分のマシン上の whisper-server、Speaches、LocalAI でも、Groq や OpenAI のホスト型 Whisper でも構いません。Vito は whisper-server を独自の /inference パスで見つけ、エンコーダーの窓を実際の録音長に合わせ — これにより 13 秒のクリップが CPU で 9.0 秒から 4.1 秒になりました — whisper.cpp のセグメントを一行につなぎ直し、改行をそのまま文書に打ち込むことはしません。

• 利点: 逃げ道です。好きなエンジンを、好きなハードウェアで。自分のネットワーク上のマシンに処理させ、ノートパソコンを休ませることもできます。
• 欠点: サーバーを選ぶのも動かすのも自分であり、精度・速度・対応言語はそのサーバーの問題であって Vito の問題ではありません。Whisper は常に 30 秒分の音声をエンコードするため、ホスト型 Whisper では 2 秒の口述が長い口述と同じだけかかることがあります。

Soniox おすすめ

先方のサーバー · 自分のキー · 60 言語 · 1 時間あたり 0.10〜0.12 ドル（同社の表示価格）

対応言語がもっとも広く、クラウドエンジンの中では運用が最も安価です。だから私たちはこれを勧めており、トップページの「1 時間あたり 0.15 ユーロ」もこれを根拠にしています。

• 利点: 60 の口述言語すべて、リアルタイムの文字起こし、そして自分のマシンに負荷がかからないこと — そもそもクラウドを選ぶ理由です。
• 欠点: 前払い式なので、何かが動く前に残高が必要です。新規アカウントに試用クレジットが付くかどうかは、Soniox が価格ページに明記していません。音声は先方のサーバーへ送られます。

AssemblyAI 無料スタートクレジット

先方のサーバー · 自分のキー · 登録時に 50 ドルの無料クレジット、カード不要 · 以後は 1 時間あたり 0.15〜0.45 ドル

クラウドで始める最も簡単な方法です。支払い情報を渡す前に Vito を動かせますし、後から乗り換えるのは別のキーを貼り付けるだけです。

• 利点: 先にクレジットがもらえ、カードも求められず、文字起こしがうまくいかないときに頼れる第二のエンジンになります。
• 欠点: クレジットが尽きると 1 時間あたりの単価は Soniox より高く、音声は先方のサーバーへ送られます。

整える半分

どれを選んでも、ルールはあなたのものです。組み込みの 5 セット — Vito 標準、逐語、ビジネス文書、メモ、メッセージ — に加えて、自分で書いたセットも使えます。Vito は有効なセットの後ろに固定の出力契約を付け足すので、ルールセットはクリーンアップの内容を変えられても、カーソル位置にコメントを貼り付けさせることはできません。

ローカルのモデル ローカル 利用料なし

自分のパソコン上 · Ollama や LocalAI のような OpenAI 互換サーバー · アカウントもキーも不要

• 利点: 無料、オフライン、口述した内容は何一つマシンの外に出ません。ローカルの Parakeet と組み合わせれば、どこにもアカウントを持たず、請求も一切ない Vito になります。
• 欠点: まともなモデルを載せられるマシンが要りますし、クリーンアップの質は与えたモデル次第です。控えめなノートパソコンでは、四つの選択肢の中で最も遅くなります。

Groq おすすめ 無料枠

先方のサーバー · 自分のキー · 本当に無料の枠、カード不要

• 利点: 費用もカードも不要で、待たされるのがクリーンアップではない程度に高速です。Groq は自社の規約上、送った内容で学習せず、さらに保持ゼロの設定も用意しています。
• 欠点: 無料枠は従量ではなく上限制なので、非常に長い口述の一日では制限に当たることがあります。無料枠を変えるかどうかはプロバイダー次第です。テキストは先方のサーバーへ送られます。

Anthropic (Claude) 最高品質

先方のサーバー · 自分のキー · 前払いクレジット、無料枠なし

• 利点: 書き起こしをテキストに変える力はここで最上です。Vito Assist の話し言葉の答えを読むに値するものにしたいときも、これを与えます。
• 欠点: 最初の口述から費用がかかり、残高のないアカウントは「空のアカウント」ではなく分かりにくいエラーとして現れます。

その他の OpenAI 互換プロバイダー

ベース URL とキー · そのプロバイダーのモデルと価格

• 利点: すでにどこかにトークン代を払っているなら、Vito はそれを使えます。コスト表示は実際に選んだモデルに追随するので、最安モデルを前提にした当て推量にはなりません。
• 欠点: モデルは自分で選び、その結果と付き合うことになります。あるモデルが何千トークンも考え込んで何も返さないなら、効く対処はThinkingの設定であって、トークン上限の引き上げではありません。

理にかなった三つの組み合わせ

• どこにも登録しない。 ローカルの Parakeet とローカルのモデル。どこにもアカウントはなく、利用料もなく、音声もテキストもマシンの外に出ません。代償はパソコンへの負荷と、60 ではなく 25 言語という点です。
• 無料で、処理は外に任せる。 聞き取りは AssemblyAI の無料スタートクレジット、整えるのは Groq の無料枠。どちらもカードを求めず、自分のマシンは静かなままで、10 分後には口述を始められます。ただしクレジットはいずれ尽きます。
• 最良の結果。 聞き取りは Soniox、整えるのは Claude。すべて込みで音声 1 時間あたり約 0.15 ユーロ。60 言語、リアルタイムの文字起こし、そしてここにあるどの組み合わせより整ったテキストが得られます。

始める前に

どの道を選ぶにせよ、知っておく価値のあることがいくつかあります。

• 支払いも登録もせずに、口述までたどり着けます。 上のローカル構成がそれです。処理をクラウドに任せたい場合も、AssemblyAI のスタートクレジットと Groq の無料枠なら、やはりカードなしでそこまで行けます。
• 有料のものは前払いです。 Soniox と Anthropic は、動く前に残高が必要です。数ユーロでもかなりの口述量になりますが、ゼロはゼロで、空のアカウントは「空のアカウント」ではなく分かりにくいエラーとして現れます。
• カードを登録するなら、ついでに上限額も設定してください。 1 分で済み、うっかりと残高のあいだに立つ唯一のものです。（無料枠とローカルのモデルは請求が発生しないので、そこにいる限り制限すべきものはありません。）
• キーはパスワードです。 持っている人があなたのお金を使い、あなたの無料枠を消費します。各ガイドで、きちんとした扱い方を説明しています。
• どれも取り返しのつかない選択ではありません。 どの選択肢も 設定 → 音声認識 の別々のカードで、切り替えは別のものを選ぶだけです。ローカルで始めて後からキーを足しても、その逆でも、費用はかかりません。