Vito vs Voxtype
Voxtype 是面向 Linux 和 macOS 的完全本地、push-to-talk 语音输入工具：免费、 开源，并在你自己的机器上运行语音模型——没有云、没有账户、没有按分钟的费用。Vito 做的是同一件核心的 活——热键、说话、文字出现——但做了相反的取舍：它把音频发给云端提供商，加上第二道 AI，把原始转写变成 成品文字，还提供一个同样能在 Windows 上运行的完整桌面应用。这是一份关于各自在哪里胜出的坦诚说明， 由做 Vito 的人所写，并对照 Voxtype 自己的页面核对。
一句话版本
如果你想让自己的声音完全留在 Linux 或 Mac 机器上、并且乐于用键盘来驱动它，Voxtype 是一个可爱、 真正免费的答案。如果你想让文字成品地出来——口头语去掉、句子修好——外加 Windows 支持和围绕 它的一个真正的应用，那正是 Vito 走得更远的地方。
一览
| Vito | Voxtype | |
|---|---|---|
| 干的活 | 你口述，它打出成品文字 | push-to-talk 语音输入，一份原始转写 |
| 文字的 AI 整理 | 是，常开的第二道 AI | 可选——自带本地 LLM（Ollama），会议模式 |
| 在哪里运行 | 云端 | 你自己的机器 |
| 离线可用 | 否 | 是 |
| 界面 | 完整桌面应用——历史、统计、设置 | 终端优先——CLI、TUI 设置、一个浮动波形（macOS 菜单栏） |
| Windows | 是 | 否 |
| Linux | 是 | 是，Wayland 原生 |
| macOS | 是 | 是（13+，Apple Silicon 与 Intel） |
| 费用 | 应用免费，向你自己的提供商约每小时 €0.15 | 完全免费 |
| 源代码 | 开放 | 开放，MIT |
| 需配置的账户 | 两把提供商密钥 | 无 |
| 语音引擎 | 云端提供商（Soniox、AssemblyAI） | Whisper、Parakeet、Cohere ＋更多——本地 |
| 语言 | 60 种，听写与界面 | 1600+ 种，通过多语言模型 |
| 语音 AI 指令 | 是——只需说 "Vito, …" | 否 |
| 历史、统计、成就 | 是 | 否 |
于 2026 年 8 月对照 voxtype.io 核对。
Voxtype 是更好选择的场景
什么都不离开你的机器，永远
Voxtype 在你自己的电脑上运行识别——Whisper、Parakeet、Cohere 以及另外几种引擎——所以它无网络也能用， 且从没有音频离开设备。用它们网站的话说，"Local by default. No cloud, no subscription, no telemetry"； 它提供一个远程 Whisper 服务器，但从不强制。Vito 总是把音频发给云端提供商；它的整理这一步可以跑在本地 LLM 上，但语音转文字仍会发出去。如果你的要求是声音完全留在设备上，Voxtype 是更干净的答案——和 Handy 及 VocaLinux 一样的取舍。
它免费，没有星号
没有提供商账户、没有余额、没有每小时十五欧分。采用 MIT 许可，并且在你已经拥有的硬件上运行。Vito 的 应用也免费，甚至可以通过把 AssemblyAI 的免费额度与 Groq 的免费层级搭起来而零成本运行——但那仍意味着 一两个提供商账户，而超出免费额度后约为每小时十五欧分。Voxtype 这些一概不要。
一个庞大的语言范围，全部本地
因为它倚仗 Whisper 和其他多语言模型，Voxtype 宣传支持 CJK 以及"1600+ 种语言"，全部在设备上识别。 Vito 的听写和界面覆盖 60 种语言——那些使用者超过五千万的语言——对大多数人来说足够了，但如果你需要一门 云端提供商不提供的语言，一个能提供它的本地模型是实实在在的优势。
你活在终端里，在 Linux 或 Mac 上
Voxtype 为现代 Linux 桌面而建，且是 Wayland 原生：你按住一个键、说话、松开，词语就落在你的光标处。 它通过一个交互式终端界面而非设置窗口来配置，说话时显示一个浮动波形，会自动暂停 Spotify 和其他 MPRIS 播放器，还有一个会议模式，能加入说话人标注并导出为 Markdown、JSON、SRT 或 VTT。它也能在 macOS 13+ 上 运行，包括 Intel Mac。如果你想要的是一个键盘驱动、没有 GUI 的工具，那更小的功能面是特性，而非缺口。
Vito 是更好选择的场景
文字出来是成品，而不只是转写
这是全部的差别，也是 Vito 需要第二把密钥的原因。Voxtype 做转写——很准——但口语满是"嗯"、错误的 开头，以及来得次序颠倒的句子，所以一份原始的转写读起来仍像口语，你最终还得动手去改。Vito 默认把每一次 口述都过一遍第二道 AI：口头语去掉、把你本意的那句话重建、在你要求处换行、把说出来的"点赞"变成 👍。 Voxtype 也能做类似的事，但只有在你设置了一个本地 Ollama 模型时，而且主要是在它的会议模式里——那是可选 的、自己动手的，并非 Vito 所围绕构建的那种常开默认。
你的电脑不必快
在本地运行模型是 Voxtype 的设计，也是它的代价：引擎在你的 CPU 上做实打实的工作（网站给出实时的 9–11 倍），而在较旧或较轻的机器上——或者没有一块够格的 GPU——那就意味着更慢的结果，以及更热、更短命的 电池。Vito 把重活放在云端，所以一台八年前的笔记本得到的准确度和一台崭新的工作站一样，你口述时处理器 保持空闲。代价是每小时大约十五欧分，以及音频会发给你选定的提供商。
用语音问 AI —— Voxtype 只做输入
Voxtype 把语音变成文字、到此为止。Vito 的 Vito Assist 则把语音变成一条指令： "Vito, 把这句翻成德语""Vito, 法国的首都是哪里？""Vito, 240 的 15%？"——翻译、答案、算术和释义，说得就像 一次口述一样轻松、就地返回。如果你想让你的听写也回答问题，Voxtype 不会，而 Vito 会。
你想要 Windows，还有围绕它的一个完整应用
Vito 有 Windows、macOS 和 Linux 版本；；Voxtype 只面向 Linux 和 Mac，没有 Windows 版本。 Vito 还是一个完整的桌面应用——一个状态仪表盘、一份可搜索的本地历史、统计与 50 多项成就、一个迷你浮层， 以及一个 60 种语言的界面——而 Voxtype 有意采用终端优先，用一个 TUI 来设置，而不是让你点来点去的界面。 有些人会正好偏爱这样；另一些人则想要那个应用。
其实还挺好玩
一件小事，我们也不会假装它能决定什么。Vito 会替你计数：口述的词数、清理过的句子、 你省下的打字时长，还有一张本周的图表。一路上有 50 多项成就可解锁，有些很无厘头，好几项是隐藏的。
结果它比听上去更重要。用口述代替打字是一种需要养成的习惯，而头一周正是别扭的阶段—— 看到"已省下 1 小时 38 分钟的打字"是一记推动你坚持下去的助力，空白窗口可给不了你。要是你觉得 这不过是花招，那就完全无视它；一切都不依赖于它。
两者都做的事
两者都开源、都免费下载、都从一个 push-to-talk 热键把文字放到你光标所在处，也都把你的数据留在任何 平台之外——Voxtype 靠本地运行，Vito 靠没有账户、只把音频发给你选定的提供商。两者都在你口述时暂停你的 音乐、之后再恢复，也都在 Linux 上运行并对 Wayland 有妥善支持。如果你喜欢 Vito 的想法、却不喜欢云端—— 或者你想要零成本、在 Linux 或 Mac 上做纯粹的、设备端的转写——Voxtype 就是我们乐于给你指的那个项目， 而这份对比的存在是为帮你选择，而不是劝你别选它。
那么该用哪个
- 音频绝不能离开机器，或没有网络？Voxtype。
- 想让它真的分文不费？Voxtype。
- 需要一门云端提供商不覆盖的语言？Voxtype 的本地模型。
- 在终端里很自在，在 Linux 或 Mac 上？Voxtype。
- 想让文字进来时就已整理好？Vito。
- 较旧或较轻的机器，没有够格的 GPU？Vito。
- 想要语音 AI 指令，或可搜索的历史和统计？Vito。
- 在 Windows 上？Vito。