Vito vs Voxtype
Voxtype är ett lokalt-först röstskrivningsverktyg med push-to-talk för Linux och macOS: gratis, öppen källkod, och det kör talmodellen på din egen maskin — inget konto, ingen kostnad per minut, och en molnmotor bara om du lägger till en. Vito gör samma grundläggande sak — snabbtangent, prata, text dyker upp — och kan hålla det lokalt med sina två hanterade motorer, Parakeet och Whistle, samtidigt som det lägger till en andra AI-omgång som gör det råa transkriptet till färdig text, och levererar en fullständig skrivbordsapp som också körs på Windows. Här är en ärlig redogörelse för var vardera vinner, skriven av personerna som gör Vito och kontrollerad mot Voxtypes egna sidor.
Versionen på en rad
Vill du att din röst ska stanna helt på din Linux- eller Mac-maskin och trivs med att styra den från tangentbordet, då är Voxtype ett fint och genuint gratis svar. Vill du att texten ska komma ut färdig — utfyllnadsord borta, meningar lagade — plus Windows-stöd och en riktig app runt omkring, då är det där Vito går längre.
En snabb överblick
| Vito | Voxtype | |
|---|---|---|
| Jobbet | Du dikterar, den skriver färdig text | Push-to-talk röstskrivning, ett rått transkript |
| AI-städning av texten | Ja, en andra AI-omgång, påslagen som standard | Valfritt — skicka varje diktering genom ditt eget kommando eller en lokal LLM |
| Var det körs | På din maskin eller i din webbläsare; molnet är valfritt | Din egen maskin; valfri Soniox-molnmotor |
| Fungerar offline | Ja — med Whistle eller Parakeet och lokal städning | Ja |
| Gränssnitt | Fullständig skrivbordsapp (dashboard, historik, statistik) + en webbläsarversion | Terminalfokuserad — CLI, TUI-konfiguration, en flytande vågform (macOS menyrad) |
| Windows | Ja | Nej |
| Linux | Ja, X11 och Wayland; AppImage och Flatpak | Ja, Wayland-nativt |
| macOS | Ja | Ja (13+, Apple Silicon & Intel) |
| Kostnad | Gratis app; 0 € lokalt, eller cirka 0,15 €/timme med vanliga molnleverantörer | Gratis; den valfria Soniox-motorn kostar |
| Källkod | Öppen, MIT | Öppen, MIT |
| Konton att skapa | Inga för lokal användning; BYOK är valfritt | Inga |
| Talmotorer | Hanterad Parakeet och Whistle (lokalt), Soniox, AssemblyAI eller valfri OpenAI-kompatibel STT | Nio lokala motorer — Whisper, Parakeet, Moonshine, Cohere med flera; valfri Soniox |
| Språk | 60, diktering och gränssnitt | 1600+ via Omnilingual-modellen |
| AI-kommandon med rösten | Ja — säg bara "Vito, …" | Nej |
| Historik, statistik, prestationer | Ja | Nej |
Kontrollerat mot voxtype.io och deras GitHub-arkiv i oktober 2026.
Där Voxtype är det bättre valet
Lokalt som standard, med motorer i överflöd
Voxtype kör igenkänning på din egen dator med ett val mellan nio lokala motorer — Whisper, Parakeet, Moonshine, SenseVoice, Paraformer, Dolphin, Omnilingual, Cohere och en OpenVINO-version av Whisper som kan köras på Intels NPU:er — så det fungerar utan uppkoppling och inget ljud lämnar enheten. "Local by default. No cloud, no subscription, no telemetry", som sidan uttrycker det; sedan version 1.0 finns en betald Soniox-molnmotor inbyggd, men bara om du väljer den. Vito kan på samma sätt hålla ljud och städning på enheten, med Whistle eller Parakeet och en lokal kompatibel modell. Voxtype är fortfarande det mer terminalfokuserade valet med ett betydligt bredare utbud av lokala talmotorer; Vito är vägen via en hanterad skrivbordsapp.
Det är gratis utan asterisk
Inget leverantörskonto, inget saldo, ingen användningsavgift. MIT-licensierad, och den körs på hårdvara du redan äger — det finns till och med en basversion för processorer utan AVX2. Vito gör detsamma med Whistle eller Parakeet och en lokal städmodell; fjärrleverantörer förblir valfria.
Ett enormt språkomfång, allt lokalt
Genom sin Omnilingual-modell lyfter Voxtype fram "1600+ språk", alla igenkända på enheten. Vito täcker 60 språk för diktering och för sitt gränssnitt — de med mer än femtio miljoner talare — vilket räcker för de flesta, men behöver du ett språk som en molnleverantör inte erbjuder, då är en lokal modell som gör det en verklig fördel.
Du lever i terminalen, på Linux eller en Mac
Voxtype är byggt för det moderna Linux-skrivbordet och är Wayland-nativt: du håller ner en tangent, pratar, släpper, och orden landar vid din markör. Det konfigureras genom ett interaktivt terminalgränssnitt i stället för ett inställningsfönster, visar en flytande vågform medan du pratar, pausar Spotify och andra MPRIS-spelare eller sänker deras volym, och har ett mötesläge som lägger till talaridentifiering, sammanfattningar via Ollama och export till Markdown, JSON, SRT, VTT eller ren text. Det körs även på macOS 13+, inklusive Intel-Mac-datorer. Är ett tangentbordsstyrt verktyg utan grafiskt gränssnitt vad du vill ha, då är den mindre ytan en fördel, inte en brist.
Där Vito är det bättre valet
Du vill ha hanterad lokal STT och kontroll över den färdiga texten
Vito installerar och hanterar två lokala motorer för privat transkription utan användningskostnad: Parakeet, på 25 europeiska språk, och Whistle, en nedladdning på 18 MB på sju språk som visar texten medan du fortfarande pratar. En OpenAI-kompatibel slutpunkt låter dig använda andra lokala eller fjärranslutna motorer. Städningen har fem inbyggda stilar — bland dem Business, Verbatim och Notes — plus helt egna prompter och stöd för lokala modeller.
Ingenting lämnar din dator. Inget konto, inga användningskostnader.Ljudet går till leverantören du valt och ingen annanstans – det finns ingen Vito-server emellan.
Texten kommer ut färdig, inte bara transkriberad
Det här är en stor skillnad mellan produkterna. Voxtype transkriberar — korrekt — men tal är fullt av "öhm", falska starter och meningar som kommer i fel ordning, så ett rått transkript läses fortfarande som tal och du sitter och redigerar det för hand. Vito kör varje diktering genom en andra AI-omgång, påslagen som standard när en städmodell är inställd: utfyllnadsord borttagna, meningen du menade återuppbyggd, radbrytningar där du bad om dem, uttalat "tummen upp" omvandlat till 👍. Voxtype kan också göra något liknande för varje diktering — dess inställning för efterbearbetning skickar texten genom vilket kommando du vill, som Ollama, LM Studio, llama.cpp eller ett skript — men det bygger och finjusterar du själv; det är ett tillval och gör-det-själv, medan Vito levererar stilarna, prompterna och standardläget. Vitos städning behöver också en modell, och det kan vara en lokal i stället för en andra nyckel.
Din dator behöver inte vara snabb
Att köra modellen lokalt är Voxtypes design och också dess kostnad: motorerna gör verkligt arbete på din egen processor (sidan anger 9–11× realtid för Cohere på en CPU), och på en äldre eller lättare maskin — eller utan ett kapabelt GPU — betyder det långsammare resultat och ett varmare batteri med kortare livslängd. Voxtypes valfria Soniox-motor kan ta bort den belastningen, mot betalning. Vito ger dig fler vägar runt det: Whistle är en lätt lokal motor, Parakeet täcker 25 språk lokalt, och Soniox, AssemblyAI eller vilken OpenAI-kompatibel leverantör som helst håller processorn ledig och ger bredare språktäckning.
Fråga AI:n med rösten — Voxtype skriver bara
Voxtype gör tal till text och stannar där. Vitos Vito Assist gör tal till en instruktion: "Vito, översätt det här till tyska", "Vito, vad är Frankrikes huvudstad?", "Vito, 15% av 240?" — översättningar, svar, uträkningar och definitioner, lika enkelt uttalade som en diktering och återgivna på plats. Vill du att din diktering också ska svara på frågor, då gör Voxtype inte det, men Vito gör det.
Det sköter sig självt på Linux
Vito levereras som AppImage och Flatpak och fungerar på X11 såväl som Wayland. På niri och Hyprland är det ärligt om globala snabbtangenter och ger dig färdiga bindningar att kopiera för din kompositor. Det installerar nya versioner själv när du inte har dikterat på några minuter — det kan du stänga av — och AppImage-versionen fungerar också med AppImageUpdate och Gear Lever. Varje nedladdning byggs på GitHub Actions, med publicerade kontrollsummor.
Du vill ha Windows, och en fullständig app runt omkring
Vito finns för Windows, macOS och Linux; Voxtype är enbart Linux och Mac, utan Windows-version. Vito är dessutom en fullständig skrivbordsapplikation — en dashboard du ordnar själv, en sökbar lokal historik, statistik och 52 prestationer, en miniöverlagring och ett gränssnitt på 60 språk — där Voxtype medvetet är terminalfokuserat, med ett TUI för konfiguration i stället för skärmar att klicka igenom. Vito Sync håller din historik, statistik och ordbok likadana på alla dina datorer via en mapp som din egen synkapp redan synkar, utan konto, och det finns en webbläsarversion som inte behöver installeras, även om texten där hamnar i ditt urklipp. Vissa kommer att föredra Voxtypes avskalade upplägg precis som det är; andra kommer att vilja ha appen.
Det är faktiskt ganska kul
En liten sak, och vi ska inte låtsas att den avgör något. Vito räknar på en dashboard du ordnar själv: dikterade ord, timmar av skrivande du slapp, ett diagram över din vecka, en kalender över det senaste halvåret och en svit av dagar i rad — slå ditt rekord så firar kortet. Vito själv, logotypen med ett ansikte, pratar med medan du dikterar. Det finns 50+ prestationer att låsa upp längs vägen, några fåniga, flera dolda.
Det visar sig betyda mer än det låter. Att diktera i stället för att skriva är en vana du måste bygga upp, och första veckan är den ovana delen — att se "1 h 38 m skrivande sparat" är en knuff att fortsätta som ett tomt fönster inte ger dig. Låter det som en gimmick? Strunta gärna helt i det; ingenting hänger på det.
Vad de båda gör
Båda är öppen källkod och MIT-licensierade, båda gratis att ladda ner, båda placerar text där din markör står med en push-to-talk-snabbtangent, och båda kan göra hela jobbet på din egen maskin — inget konto, inget ljud som lämnar den, ingen användningsavgift — med en molnmotor bara om du väljer en. Båda pausar din musik medan du dikterar och återupptar den efteråt, och båda körs på Linux med ordentligt Wayland-stöd. Vill du ha noll kostnad, ett brett utbud av motorer på enheten och ett verktyg du styr från terminalen på Linux eller en Mac, då är Voxtype ett projekt vi gärna pekar dig mot, och den här jämförelsen finns för att hjälpa dig välja, inte för att prata dig ur det.
Så vilken av de två
- Ljudet får aldrig lämna maskinen, eller inget internet? Båda fungerar; Voxtype erbjuder fler lokala motorer.
- Vill du att det ska kosta bokstavligen ingenting? Endera; båda kan köras lokalt utan användningsavgifter.
- Behöver du ett språk som en molnleverantör inte täcker? Voxtypes lokala modeller.
- Trivs i terminalen, på Linux eller en Mac? Voxtype.
- Vill du ha ett mötesläge med talare och undertextexport? Voxtype.
- Vill du att texten ska komma redan städad? Vito.
- Äldre eller lättare maskin, inget kapabelt GPU? Vito, med Whistle eller en molnleverantör.
- Vill du ha AI-kommandon med rösten, eller en sökbar historik och statistik? Vito.
- På Windows? Vito.