选择 Vito 的服务提供方

Vito 免费，本身没有账号。你说的话会经过两道处理 — 一个负责听，一个负责把听到的词整理成文 — 每一半由谁来做都由你决定：你自己的电脑，或者一个你持有密钥的服务商。自 2026.9 起，两半都不再需要密钥。

这一页就是地图：Vito 能用的每个选项、各自的费用、对你的要求，以及擅长与不擅长的地方；确实需要密钥的那四家，各有一份分步指南。

两个一半

负责听的一半把你的声音变成词。准确率、可用来口述的语言，以及文字出现前的等待，都在这一步决定。负责整理的一半把这些词变成值得发出去的文字：去掉迟疑、修好句子、在你要求的位置换行。这正是口述与「某人说话的逐字记录」之间的差别。

两者互不相干。本地听、云端整理可以，反过来也行 — 每一半各按各的长处来挑。

负责听的一半

Vito 本地（Parakeet） 本地 无使用费

在你的电脑上 · 无需账号、无需密钥 · 25 种欧洲语言 · 一次性下载约 900 MB

Vito 会自己安装并运行这个引擎：在「设置 → 语音识别」中选中它，按一次安装，整个配置就结束了。底层是 parakeet.cpp 搭配 NVIDIA 的 Parakeet TDT 0.6B v3；Vito 下载固定版本的构建和模型，用发行版中内置的哈希校验两者，并且只在你选中该卡片时运行引擎。

• 优点： 无需注册，现在和以后都不用付费，音频也不会离开你的电脑。速度同样不差 — 在 12 核台式机上，13 秒的口述在 CPU 上约需 1.2 秒，用 Vulkan GPU 构建则为 0.25 秒。语言会自动识别。
• 缺点： 是 25 种欧洲语言而非 60 种；运行时约占 1 GB 内存和 0.9 GB 磁盘；活儿落在你自己的处理器上 — 在轻薄本上感觉得到，电池也一样。没有实时字幕：文字在你停止说话后才出现。该引擎不使用关键词表，但你自己的更正依然生效。

任意 OpenAI 兼容端点 本地或远程

你自己的服务器，或托管的 · 一个基础 URL，只有当端点要求时才需要密钥 · 费用和语言取决于 URL 背后是什么

给 Vito 一个基础 URL，它就会与应答的一方对话：你机器上的 whisper-server、Speaches 或 LocalAI，也可以是 Groq 和 OpenAI 托管的 Whisper。Vito 会在 whisper-server 自己的 /inference 路径上找到它，把编码窗口调整为实际录音长度 — 这让一段 13 秒的音频在 CPU 上从 9.0 秒降到 4.1 秒 — 并把 whisper.cpp 的分段重新拼回一行，而不是把它的换行敲进你的文档。

• 优点： 一条退路。你喜欢的任何引擎，跑在你选的硬件上，包括让本地网络里的另一台机器替不情愿的笔记本干活。
• 缺点： 服务器由你选择或维护，准确率、速度和语言覆盖是它的事，不是 Vito 的事。Whisper 始终编码 30 秒音频，所以在托管的 Whisper 上，两秒的口述可能与长段口述花费相同。

Soniox 推荐

他们的服务器 · 你自己的密钥 · 60 种语言 · 每小时 0.10–0.12 美元（其标价）

语言覆盖最广，也是云端引擎中运行最便宜的一个，所以我们推荐它，首页那个「每小时 0.15 欧元」也以它为依据。

• 优点： 全部 60 种口述语言、实时字幕，而且你的机器不用干活 — 这正是选择云端的理由。
• 缺点： 属于预付，账户里得先有余额才会工作；新账户是否有试用额度，Soniox 并未在定价页说明。你的音频会送到他们的服务器。

AssemblyAI 免费起始额度

他们的服务器 · 你自己的密钥 · 注册即送 50 美元免费额度，无需信用卡 · 之后每小时 0.15–0.45 美元

云端上手最简单的一条路：还没交出任何付款信息，Vito 就已经能用了；日后更换也只是粘贴另一把密钥。

• 优点： 额度先给、不要信用卡，并且在某次转写出错时还有第二个引擎可退。
• 缺点： 额度用完后每小时比 Soniox 贵，而且你的音频会送到他们的服务器。

负责整理的一半

无论选哪一个，规则都归你：五套内置规则 — Vito 默认、逐字、商务写作、笔记、消息 — 你还可以在其上写自己的。Vito 会在生效的规则集后面附上一份固定的输出约定，因此规则集可以改变整理的方式，却绝不会让模型把评论粘到你的光标处。

本地模型 本地 无使用费

在你的电脑上 · 一个 OpenAI 兼容服务器，如 Ollama 或 LocalAI · 无需账号、无需密钥

• 优点： 免费、离线，你口述的内容不会离开这台机器。与本地 Parakeet 搭配，就是一个哪里都不用注册、永远不会产生账单的 Vito。
• 缺点： 需要一台跑得动像样模型的机器，整理的好坏取决于你给它的模型。在配置一般的笔记本上，这是四个选项里最慢的。

Groq 推荐 免费额度

他们的服务器 · 你自己的密钥 · 名副其实的免费额度，无需信用卡

• 优点： 不花钱、不要卡，而且快到让你等待的不是整理这一步。按其自身条款，Groq 不会用你发送的内容训练模型，另外还提供零留存设置。
• 缺点： 免费额度是设上限而非按量计费，所以口述非常多的一天可能碰到限制 — 而免费额度随时可能被服务商改变。你的文字会送到他们的服务器。

Anthropic (Claude) 顶级

他们的服务器 · 你自己的密钥 · 预付额度，没有免费档

• 优点： 在把逐字稿变成文章这件事上，它是这里最好的；当你希望 Vito Assist 的口头回答值得一读时，也该把它交给它。
• 缺点： 从第一次口述起就要花钱，而且没有余额的账户报出来的是一条令人困惑的错误，而不是「余额为零」。

任何其他 OpenAI 兼容服务商

一个基础 URL 和一把密钥 · 该服务商自己的模型和价格

• 优点： 如果你已经在向谁购买 token，Vito 可以直接用。费用卡片会跟随你实际选中的模型，所以估算不是按最便宜的那一个瞎猜。
• 缺点： 模型由你挑，后果也由你担。若某个模型花了几千 token 思考却什么都没返回，该动的是Thinking开关，而不是把 token 预算调大。

三种说得通的搭配

• 哪里都不用注册。 本地 Parakeet 加一个本地模型。任何地方都没有账号，没有使用费，音频和文字都不离开这台机器。代价是电脑的负担，以及 25 种语言而非 60 种。
• 免费，但活儿交给别人干。 听的部分用 AssemblyAI 的免费起始额度，整理用 Groq 的免费额度。两者都不要信用卡，你的机器清闲，十分钟内就能开口。只是额度终究会用完。
• 效果最好。 Soniox 负责听，Claude 负责整理，全部算下来每小时语音约 0.15 欧元。60 种语言、实时字幕，文字也比这里任何组合都干净。

开始之前

无论走哪条路，有几件事值得先知道：

• 不花一分钱、不注册任何账号，也能一路走到开始口述。 就是上面那条本地路线。如果你更希望由云端干活，AssemblyAI 的起始额度加 Groq 的免费额度同样能让你无需信用卡就上手。
• 付费的那些是预付制。 Soniox 和 Anthropic 得先有余额才会工作。几欧元就是大量口述，但零就是零，而且空账户报出来的是一条令人困惑的错误，而不是「账户余额为零」。
• 如果绑定了信用卡，顺手设个消费上限。 只要一分钟，而它是失误与你的余额之间唯一的屏障。（免费额度和本地模型不会产生账单，所以只要你还在用它们，就没什么可限的。）
• 密钥就是密码。 谁拿到它，花的就是你的钱 — 或者用掉你的免费额度。每份指南都讲了如何妥善保管。
• 这些选择都不是一锤定音。 每个选项在「设置 → 语音识别」里都是一张独立卡片，换一个就是点另一张。先用本地、以后再加密钥 — 或者反过来 — 都不花钱。