Vito vs Voxtype

Voxtype 是面向 Linux 和 macOS 的本地优先、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——没有账户、没有按分钟的费用，只有在你自己加上时才会用到云端引擎。 Vito 做的是同一件核心的活——热键、说话、文字出现——也能用它的两个托管引擎 Parakeet 和 Whistle 留在本地，同时加上第二道 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 自己的网站核对。

一览

于 2026 年 10 月对照 voxtype.io 与 它们的 GitHub 仓库核对。

Voxtype 是更好选择的场景

默认本地，引擎多得用不完

Voxtype 在你自己的电脑上运行识别，有九个本地引擎可选——Whisper、Parakeet、Moonshine、SenseVoice、Paraformer、 Dolphin、Omnilingual、Cohere，以及一个能在 Intel NPU 上运行的 OpenVINO 版 Whisper——所以它无网络也能用，且没有音频离开设备。用它们网站的话说，"Local by default. No cloud, no subscription, no telemetry"；自 1.0 版起内置了一个付费的 Soniox 云端引擎，但只有你选了它才会用。Vito 同样能用 Whistle 或 Parakeet 加一个本地兼容模型，把音频和清理留在设备上。Voxtype 仍是更偏终端优先、本地语音引擎范围广得多的选择；Vito 则是托管式桌面应用的路线。

它免费，没有星号

没有提供商账户、没有余额、没有使用费。采用 MIT 许可，并且在你已经拥有的硬件上运行——甚至还有一个面向不支持 AVX2 的处理器的基础版本。Vito 用 Whistle 或 Parakeet 加一个本地清理模型也能做到同样的事；远程提供商依然可选。

一个庞大的语言范围，全部本地

借助它的 Omnilingual 模型，Voxtype 宣传支持"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，会暂停 Spotify 和其他 MPRIS 播放器或压低它们的音量，还有一个会议模式，能加入说话人标注、通过 Ollama 生成摘要，并导出为 Markdown、JSON、SRT、VTT 或纯文本。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

你想要托管的本地 STT，并掌控最终的文字

Vito 会安装并管理两个本地引擎，用于私密、零使用费的转写：Parakeet，覆盖 25 种欧洲语言；Whistle，一个 18 MB 的下载，覆盖七种语言，在你还在说话时就显示文字。通过 OpenAI 兼容端点，你还能使用其他本地或远程引擎。清理有五种内置风格——包括商务、逐字和笔记——外加完全自定义的提示词和对本地模型的支持。

文字出来是成品，而不只是转写

这是一个重大的产品差别。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。只要设好了清理模型，Vito 就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 也能对每一次口述做类似的事——它的后处理设置能把文字交给你喜欢的任何命令，比如 Ollama、LM Studio、llama.cpp 或一个脚本—— 但那要你自己搭建和调校；它是可选的、自己动手的，而 Vito 自带风格、提示词和默认设置。Vito 的清理同样需要一个模型，它可以是本地的，而不必是第二把密钥。

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：引擎在你自己的处理器上做实打实的工作（网站给出 Cohere 在 CPU 上可达实时的 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。Voxtype 可选的 Soniox 引擎能卸下这份负担，但要付费。Vito 给你更多绕开它的路：Whistle 是一个轻量的本地引擎， Parakeet 在本地覆盖 25 种语言，而 Soniox、AssemblyAI 或任何 OpenAI 兼容提供商能让你的处理器保持空闲，并带来更广的语言覆盖。

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。

它在 Linux 上会照顾好自己

Vito 以 AppImage 和 Flatpak 发布，既支持 Wayland 也支持 X11。在 niri 和 Hyprland 上，它会坦白说明全局热键的情况，并给你一份可直接复制的合成器按键绑定。只要你几分钟没有口述，它就会自己安装新版本——这一点可以关掉——而且 AppImage 也支持 AppImageUpdate 和 Gear Lever。每一个下载都在 GitHub Actions 上构建，并公布校验和。

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——一块由你自己布置的仪表盘、一份可搜索的本地历史、统计与 52 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。Vito Sync 通过你自己的同步应用早已在同步的一个文件夹，让你的历史、统计和词典在你所有电脑上保持一致，无需账户；另外还有一个无需安装的浏览器版，只是在那里文字会落到你的剪贴板上。有些人会正好偏爱 Voxtype 现在这样精简的做法；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 会在一块由你自己布置的仪表盘上替你计数：口述的词数、你省下的打字时长、一张本周的图表、一份最近六个月的日历，还有连续使用的天数——打破纪录时，卡片还会为你庆祝一番。 Vito 本尊，也就是那个长了张脸的标志，会在你口述时陪你聊上几句。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、都采用 MIT 许可、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，也都能在你自己的机器上完成全部工作——无需账户、没有音频离开机器、没有使用费——只有在你选择时才会用上云端引擎。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。如果你想要零成本、大量可选的设备端引擎，以及一个在 Linux 或 Mac 上从终端驱动的工具，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？两者都行；Voxtype 提供更多本地引擎。
• 想让它真的分文不费？两者都行；两者都能在本地运行、没有使用费。
• 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。
• 想要一个带说话人标注和字幕导出的会议模式？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，用 Whistle 或云端提供商。
• 想要语音 AI 指令，或可搜索的历史和统计？Vito。
• 在 Windows 上？Vito。