Im Kern ist ein digitales Bild nichts anderes als eine große Tabelle von Zahlen. Mathematisch kann man es sich als eine Funktion vorstellen, die diskrete Koordinaten (Pixelpositionen) auf einen oder mehrere Intensitätswerte (Kanäle) abbildet, wie in Basics of Image Processing und klassischen Lehrbüchern zur digitalen Bildverarbeitung beschrieben.
Bei einem Graustufenbild enthält jede Position (m, n) eine Zahl, die die Helligkeit beschreibt; bei einem typischen Farbbild speichert jedes Pixel drei Werte, häufig Rot, Grün und Blau. Eine übliche Konfiguration sind 8 Bit pro Kanal, was zu über 16 Millionen möglichen Farben führt, wie in Diskussionen über Abtastung und Quantisierung erläutert wird.
Diese Zahlenfelder sind das, was wir als JPEGs, PNGs, AVIFs und andere Dateiformate speichern, über Netzwerke übertragen und auf Bildschirmen darstellen. Die digitale Bildverarbeitung als Disziplin beschäftigt sich damit, diese Arrays zu erfassen, zu transformieren und zu analysieren und sie in etwas Nützliches zu verwandeln – sei es ein Foto, ein medizinischer Scan, eine Satellitenkarte oder Input für ein Machine-Learning-Modell, wie im Lehrbuch von Gonzalez & Woods beschrieben.
Bevor überhaupt etwas zu Pixeln wird, gibt es ein optisches System und einen Bildsensor. Moderne Kameras verwenden typischerweise CCD- oder CMOS-Sensoren: integrierte Schaltkreise mit Millionen winziger Photosites, die auf Licht reagieren. Überblicke über Sensoraufbau und Farbfilterarrays in Fachliteratur zu Bildsensoren und technischen Veröffentlichungen zu Bayer-Pattern-Sensoren zeigen, wie diese Bauteile das optische Bild abtasten.
Die meisten Consumer-Kameras und Smartphones verwenden ein Bayer-Filtermosaik: ein Farbfilterarray, das rote, grüne und blaue Filter in einem wiederkehrenden Muster über einzelne Sensorelemente legt – gewöhnlich mit doppelt so vielen grünen Filtern wie roten oder blauen, um die Empfindlichkeit des menschlichen Sehsystems grob nachzuahmen. Das klassische Muster ist im Artikel zum Bayer-Filter und in verwandten technischen Referenzen dokumentiert. Ein Demosaicing-Algorithmus interpoliert diese Werte anschließend, um vollständige RGB-Werte für jedes Pixel zu rekonstruieren. Seine Qualität beeinflusst Schärfe, Rauschen und Aliasing-Artefakte im endgültigen Bild erheblich, wie in Analysen der Demosaicing-Qualität hervorgehoben wird.
Die Digitalisierung hat zwei zentrale Schritte: Abtastung und Quantisierung. Die Abtastung bestimmt, wo Sie die Szene messen – also wie dicht Sie Pixel im Raum platzieren. Das ist Ihre räumliche Auflösung, etwa 4000×3000 Pixel. Die Quantisierung legt fest, wie fein Sie Intensität oder Farbe darstellen – wie viele Stufen ein Pixelwert annehmen kann, zum Beispiel 256 Stufen pro Kanal bei 8-Bit-Bildern. Beide Konzepte werden anschaulich in Leitfäden zur Bildabtastung und Quantisierung und Tutorials zur Umwandlung kontinuierlicher Bilder in Matrizen aus ganzen Zahlen erläutert.
Zusammen verwandeln räumliche Abtastung und Intensitätsquantisierung eine kontinuierliche Szene in eine 2D-Matrix aus Ganzzahlen und bilden damit die Grundlage der digitalen Bildverarbeitung. Für typische Farbfotos bietet 24-Bit-RGB genügend Abstufungen, sodass Tonwertabrisse in den meisten Szenen minimal sind; wissenschaftliche und HDR-Workflows verwenden jedoch häufig 10-, 12- oder 16-Bit-Kanäle für mehr Spielraum, wie in Diskussionen zur Farbtiefe und in der PNG-Spezifikation mit ihrer Beschreibung von Abtasttiefen von 1–16 Bit ausgeführt wird.
Der Nyquist–Shannon-Abtastsatz besagt, dass man ein Signal nur dann perfekt rekonstruieren kann, wenn man es mit mindestens der doppelten höchsten vorkommenden Frequenz abtastet; andernfalls falten sich hochfrequente Details in niedrigere Frequenzen zurück und erzeugen Verzerrungen. Dieses Prinzip, beschrieben im Eintrag zum Nyquist–Shannon-Abtastsatz und in Tutorials wie GeeksforGeeks' Überblick zu Nyquist, gilt unmittelbar auch für die digitale Bildgebung.
In Bildern äußert sich unzureichende räumliche Abtastung als Aliasing – Moiré-Muster auf feinen Stoffen oder Backsteinwänden, gezackte Treppenkanten beim Hineinzoomen und andere Artefakte. Beispiele und Erklärungen finden sich in Kapiteln zu Abtastung und Aliasing in Lehrbüchern zur Computer Vision und in Tutorials zur Signalerfassung von Measurement-Fundamentals-Ressourcen.
Kamerasysteme wirken dem mit optischen Tiefpassfiltern, Sensoren mit höherer Auflösung und Nachbearbeitung entgegen. Antialiasing und Moiré-Kontrolle in Kamerasystemen werden ausführlich in Bildgebungsabschnitten zu Nyquist und in Notizen zur Abtastung in der Computer Vision behandelt.
Die meisten Fotos, denen Sie begegnen, sind Rasterbilder: feste Gitter aus Pixeln, in denen jedes Pixel eine Farbe speichert. Rastergrafiken eignen sich hervorragend, um reichhaltige, kontinuierliche Tonwerte wie in Fotografien und Gemälden einzufangen, wie in Adobes Vergleich zwischen Raster und Vektor und in Tutorials zur Computergrafik erklärt wird. Ihre Qualität ist jedoch an die Auflösung gebunden – zoomt man zu weit hinein, sieht man die einzelnen Pixel.
Vektorgrafiken funktionieren anders. Sie speichern Formen – Punkte, Linien, Kurven und Füllungen, die mathematisch beschrieben werden – häufig in Formaten wie SVG, EPS oder PDF. Der MDN-Leitfaden zu SVG und die W3C-Übersicht zu SVG beschreiben, wie SVG XML verwendet, um Formen, Text und Transformationen zu repräsentieren. Da der Renderer diese Formen in jeder Größe neu berechnet, sind Vektorgrafiken auflösungsunabhängig: Ein Logo sieht auf einer Visitenkarte genauso scharf aus wie auf einer Plakatwand, wie in designorientierten Vergleichen zwischen Raster- und Vektorgrafik und in modernen SVG-Leitfäden hervorgehoben wird.
In der Praxis dominieren Rasterformate (JPEG, PNG, TIFF, GIF, AVIF, WebP und andere) bei Fotografie, gescannten Dokumenten und komplexen Bildern, während Vektorformate wie SVG und PDF für Logos, Icons, Diagramme und textlastige Grafiken bevorzugt werden. Vergleichsartikel wie Erklärungen zu Bilddateiformaten und moderne Leitfäden zu Bildformaten zeigen, wie sich diese Rollen in der Praxis verteilen.
Ein Farbmodell ist eine mathematische Art, Farben zu repräsentieren – RGB, CMYK, HSV, YCbCr und so weiter. Ein Einstieg in Farbmodelle und Vergleiche von RGB, CMYK, HSV und YIQ erklären, wie diese Modelle in Hardware und Anwendungen genutzt werden. Ein Farbraum nimmt ein Modell und verknüpft es mit bestimmten Primärfarben und einem Weißpunkt – etwa sRGB oder Adobe RGB – sowie einer Übertragungsfunktion.
RGB dominiert bei Displays und den meisten Consumer-Bildern, während CMYK für den Druck verwendet wird. YCbCr trennt einen Luma-Kanal von zwei Chroma-Kanälen und wird breit in digitalem Video und der JPEG-Kompression eingesetzt, wie im YCbCr-Artikel und in Erklärungen zur JPEG-Kompression beschrieben.
Die meisten Bilder werden nicht in streng linearem Licht gespeichert. Stattdessen verwenden sie einen gamma-kodierten Farbraum (wie sRGB), der mehr Codewerte dunklen Tönen zuweist, in denen unsere Augen empfindlicher sind, und weniger den hellen Tönen. Dies ist Teil der Farbverarbeitungskette, wie in Tutorials zu Farbräumen und in technischen Notizen zu Luma und gamma-korrigiertem RGB beschrieben.
Der ursprüngliche JPEG-Standard (JPEG 1, ISO/IEC 10918-1 / ITU-T T.81) stammt aus den frühen 1990er-Jahren und ist nach wie vor das am weitesten verbreitete Fotoformat im Web und in Consumer-Kameras. Der Standard wird in der Übersicht des JPEG-Komitees und in der ITU-T-Empfehlung T.81 beschrieben.
Typischerweise umfasst Baseline-JPEG:
Detaillierte Erklärungen finden sich in Stanfords Notizen zur JPEG-Kompression, in Tutorials zum JPEG-Standard und in Vorlesungsunterlagen zu Transformationskodierung und Quantisierung. Der Quantisierungsschritt ist das, was JPEG verlustbehaftet macht, und die Hauptquelle von Artefakten wie Blockbildung und Ringing bei niedrigen Bitraten.
PNG (Portable Network Graphics) wurde Mitte der 1990er-Jahre als lizenzfreie Alternative zu GIF entwickelt, nachdem es Streit um die patentierte LZW-Kompression in GIF gab. Das Format ist in der W3C-PNG-Spezifikation definiert und wird in Darstellungen zur Entstehung von PNG aus dem GIF-Lizenzstreit historisch eingeordnet.
PNG unterstützt Graustufen-, indizierte und Truecolor-Bilder mit optionalem Alphakanal für Transparenz und Bittiefen von 1 bis 16 Bit pro Kanal. Es verwendet die verlustfreie DEFLATE-Kompression, die LZ77 und Huffman-Codierung kombiniert, wie in Leitfäden zur PNG-Kompression und Optimierungsartikeln zur PNG-Kompression erläutert wird. Das macht PNG ideal für UI-Grafiken, Logos, Screenshots und Bilder mit scharfen Kanten und Text.
Eine jüngere Aktualisierung der PNG-Spezifikation fügt Unterstützung für HDR, Animation (APNG) und eingebettete Exif-Metadaten hinzu, wie Berichte über das erste große PNG-Update seit über zwei Jahrzehnten darlegen. Damit bleibt PNG gegenüber neueren Formaten konkurrenzfähig, behält aber seine Stärke als verlustfreies Format.
GIF (Graphics Interchange Format) ist ein 1987 eingeführtes Bitmap-Format. Jeder Frame verwendet eine Palette von bis zu 256 Farben, die mit LZW-Kompression codiert werden, wie in Erklärungen zum GIF-Format und in technischen Analysen der GIF-Bilddaten beschrieben. Das entscheidende Merkmal von GIF ist einfache, framebasierte Animation mit optionaler Transparenz – darum ist es bis heute ein Standard für Memes und Reaktionsbilder im Netz.
Die Einschränkungen von GIF – 256 Farben pro Frame, fehlende moderne Interframe-Kompression und große Dateien bei komplexen Szenen – machen es zu einer schlechten Wahl für videohafte Inhalte. Optimierungsanleitungen wie Tutorials zur Reduktion der GIF-Dateigröße und GIF-Kompressor-Tools zeigen zwar, wie Zuschneiden, weniger Frames und niedrigere Farbanzahlen helfen können, doch neuere Formate oder Videocodecs sind in der Regel deutlich effizienter.
TIFF (Tagged Image File Format) ist ein flexibler, tagbasierter Container, der mehrere Bilder, Metadaten und unterschiedliche Kompressionsverfahren (unkomprimiert, LZW, PackBits, JPEG und mehr) speichern kann. Es wird im TIFF-Eintrag der Enzyklopädie, in DAM-orientierten TIFF-Leitfäden und in formalen Formatbeschreibungen wie dem TIFF_UNC-Profil der Library of Congress erläutert.
TIFF wird im Verlagswesen, in der professionellen Fotografie und bei der Digitalisierung von Kulturgut weit verbreitet eingesetzt, weil es hochbitratige, nur minimal verarbeitete Bilder mit umfangreichen Metadaten und geringen oder keinen Kompressionsartefakten speichern kann. Erhaltungsrichtlinien wie die Recommended Formats Statements der Library of Congress für Standbilder und föderale Vergleiche von Rasterbildformaten führen TIFF häufig unter den bevorzugten Formaten auf.
In den letzten zehn Jahren ist eine neue Generation von Bildformaten entstanden, die vor allem für Web- und Mobilanwendungen mehr Qualität aus weniger Bits herausholen soll. Artikel wie umfassende Vergleiche von Bildformaten und Benchmarks zu WebP vs. AVIF vs. JPEG liefern konkrete Daten dazu, wie sich diese Formate verhalten.
WebP unterstützt sowohl verlustbehaftete als auch verlustfreie Kompression sowie Alpha und Animation. Für viele Fotos kann verlustbehaftetes WebP bei ähnlicher wahrgenommener Qualität etwa 25–30 % kleiner sein als JPEG. AVIF nutzt die Intra-Frame-Werkzeuge des AV1-Videocodecs, um eine noch höhere Kompressionseffizienz zu erreichen; Praxistests zeigen oft Größenreduzierungen von 40–50 % gegenüber JPEG. Ausführliche Vergleiche finden sich in Leitfäden zu Bildformaten 2024–2025, Analysen zu AVIF vs. WebP vs. JPEG XL und statistischen Vergleichen von Bildformaten.
HEIF/HEIC verpackt Bilder mit HEVC-Kodierung und ist in manchen mobilen Ökosystemen verbreitet, während JPEG XL effiziente Kompression mit Funktionen wie verlustfreier Neukompression bestehender JPEGs verbinden soll. Diskussionen in Übersichten zu Bildformaten der nächsten Generation und leistungsorientierten Leitfäden zu Bildformaten zeigen, welche Rolle diese Formate in modernen Web-Performance-Strategien spielen.
Trotz ihrer Vorteile wird die Verbreitung durch Browser- und Betriebssystemunterstützung, verfügbare Werkzeuge und Überlegungen zur Langzeitarchivierung begrenzt. Institutionen betonen weiterhin ältere, gut dokumentierte Formate wie TIFF, PNG und JPEG in Recommended Formats Statements und Präferenzdokumenten für Standbildformate.
Über die Pixel hinaus enthalten Bilddateien häufig Metadaten. Der am weitesten verbreitete Low-Level-Standard ist EXIF (Exchangeable Image File Format), ursprünglich für Digitalkameras entwickelt. Spezifikation und Geschichte werden im EXIF-Artikel und in EXIF-Leitfäden für Fotografen beschrieben.
EXIF-Tags können Kameramodell, Objektiv, Belichtungseinstellungen, Zeit und Datum, GPS-Koordinaten und mehr direkt in JPEG-, TIFF- und einigen anderen Formaten speichern. Überblicke wie EXIF im Digital Asset Management und Leitfäden zu Fotometadaten erläutern, wie EXIF in der Praxis genutzt wird, und weisen darauf hin, dass PNG und WebP zwar technisch Metadaten-Chunks speichern können, umfangreiche EXIF-Informationen aber vor allem in JPEG- und TIFF-Dateien üblich sind.
Organisationen wie die Library of Congress veröffentlichen Recommended Formats Statements, in denen Formate für Erwerb und Archivierung bewertet werden und Faktoren wie Offenheit, Dokumentation, Metadatenunterstützung und technische Robustheit abgewogen werden. Das RFS für Standbilder und aktuelle Aktualisierungen für 2025–2026 skizzieren bevorzugte und akzeptable Formate für Standbilder.
Diese Dokumente heben häufig unkomprimiertes oder verlustfrei komprimiertes TIFF, hochwertiges JPEG, PNG und JPEG 2000 als bevorzugte oder akzeptable Optionen hervor und betonen Eigenschaften wie Bittiefe, räumliche Auflösung und Metadaten. Die Seite zu bevorzugten Standbildformaten weist ausdrücklich auf die Unterstützung standardisierter technischer Metadaten wie EXIF und verwandter Schemata hin.
Da sich synthetische Medien immer leichter erzeugen lassen, wächst das Interesse daran, Herkunftsinformationen direkt in Bilder und Videos einzubetten. Initiativen wie die Coalition for Content Provenance and Authenticity (C2PA) und Adobes Content Authenticity Initiative definieren Wege, Medien bereits bei der Erstellung und Bearbeitung mit kryptografisch überprüfbaren "Content Credentials" zu versehen. Dies wird in Berichten zu C2PA und Deepfake-Kennzeichnung und in breiteren Erhaltungsdokumenten wie Formatpräferenz-Erklärungen diskutiert.
Frühe Implementierungen zeigen jedoch, dass Plattformen Herkunftsmetadaten häufig entfernen oder verbergen und Nutzer selbst dann selten klare Kennzeichnungen sehen, wenn solche Metadaten vorhanden sind. Artikel wie Kritiken zur Deepfake-Kennzeichnung bei Sora und digitalforensische Perspektiven auf Deepfakes machen diese Lücke zwischen technischer Möglichkeit und Praxis deutlich.
Rohdaten, also unkomprimierte Bilder, sind riesig; daher ist Kompression für Speicherung, Übertragung und interaktive Nutzung unerlässlich. Verlustfreie Kompression (PNG, einige TIFF-Varianten, GIF, verlustfreies WebP/AVIF) nutzt Redundanz aus, um die Größe zu verringern, ohne Pixelwerte zu verändern, wie in Referenzen zur PNG-Kompression, TIFF-Dokumentation und GIF-Kompressionsleitfäden beschrieben wird. Verlustbehaftete Kompression (JPEG, verlustbehaftetes WebP/AVIF, einige TIFF-Profile) verwirft darüber hinaus Informationen, die idealerweise weniger wahrnehmbar sind, wie Analysen von JPEG vs. WebP vs. AVIF zeigen.
Moderne Vergleiche zeigen, dass AVIF und WebP für viele Anwendungsfälle – insbesondere bei der Auslieferung im Web – sowohl JPEG als auch PNG beim Verhältnis von Größe zu Qualität übertreffen können, wie CDN-orientierte Formatbenchmarks und Statistiken zu Bildformaten darlegen.
Wenn verlustbehaftete Kompression zu stark eingesetzt wird, werden Artefakte sichtbar. Zu den typischen Artefakten gehören Blockbildung, Ringing, Banding und sogenanntes "Mosquito Noise". Der Eintrag zu Kompressionsartefakten und Leitfäden zur Artefaktentfernung liefern detaillierte Taxonomien, während Anleitungen zu Videoartefakten zeigen, wie ähnliche Effekte bei Bewegtbild auftreten.
Werkzeuge zur Artefaktreduktion versuchen, Blockgrenzen zu glätten, Kanten zu rekonstruieren oder Deblocking-Filter anzuwenden – teils mithilfe von Machine-Learning-Modellen. Die konzeptionellen Grundlagen hängen eng mit der Quantisierung der DCT-Koeffizienten in JPEG zusammen, wie in Erläuterungen zur Quantisierung von JPEG-Koeffizienten und detaillierten Notizen zum JPEG-Standard beschrieben wird.
Im Web sind Bilder häufig der größte Anteil am Seitengewicht. Die Wahl effizienter Formate und Kompressionsstufen kann die insgesamt übertragenen Bilddaten drastisch verringern – manchmal um 50–70 %. Auf Performance fokussierte Ressourcen wie Vergleiche von WebP vs. AVIF vs. JPEG und moderne Optimierungsleitfäden zeigen, wie stark diese Entscheidungen wirken können.
Praktische Techniken umfassen die Wahl des passenden Formats (AVIF/WebP für Fotos, PNG/SVG für Strichgrafiken, möglichst wenige GIFs oder besser Video für Animationen), das Anbieten mehrerer Encodings, aus denen der Browser wählen kann, sowie das Skalieren von Bildern auf die tatsächlich benötigte Anzeigegröße mit responsivem Markup. Artikel wie Erklärungen zu Bilddateiformaten und Vergleichsleitfäden zu Bildformaten liefern konkrete Empfehlungen.
Die verlustfreie Optimierung vorhandener GIFs und PNGs mit speziellen Tools (wie flexiGIF oder dedizierten PNG-Optimierern) kann zusätzliche Einsparungen bringen, ohne Pixel zu verändern, wie in Referenzen zur PNG-Kompression und in Beschreibungen von GIF-Optimierungstools angemerkt wird.
Je besser generative Modelle Bilder und Videos synthetisieren können, desto weiter erodiert die Vorstellung, dass "Sehen gleich Glauben" ist. Deepfake-Technologien können realistische Gesichter erzeugen, Identitäten vertauschen und Ereignisse synthetisieren, die nie stattgefunden haben. Ethische und gesellschaftliche Analysen wie Deepfakes und die Krise digitaler Authentizität, Ethik der Deepfake-Technologie und Deepfake-Risikoabschätzungen schildern Sorgen, die von nicht einvernehmlichen Darstellungen bis hin zu politischer Desinformation reichen.
Empirische Studien zeigen, dass viele Nutzer bereits Schwierigkeiten haben, synthetische Medien von authentischen Inhalten zu unterscheiden – mit weitreichenden Fragen zu Einwilligung, Identität und Informationsintegrität. Digitale Forensik und juristische Perspektiven in Analysen zu Deepfakes, Beweismanipulation und digitaler Forensik unterstreichen, wie stark dies Gerichte und Ermittlungen betrifft.
Bemühungen, Deepfakes zu erkennen oder zu kennzeichnen, bleiben hinter den Generationsmöglichkeiten zurück: Selbst Systeme, die Herkunftsmetadaten wie C2PA-Credentials einbetten, zeigen häufig keine klaren Warnhinweise an oder können in Distributionsketten entfernt werden, wie Berichte zu Mängeln bei der Deepfake-Kennzeichnung dokumentieren. Für digitale Bilder entsteht dadurch eine neue Dimension der Verantwortung für Technologen, Plattformbetreiber und politische Entscheidungsträger.
Ein digitales Bild ist vieles zugleich: ein abgetastetes Signal, das durch Sensoraufbau und Abtastraten begrenzt wird, ein mathematisches Objekt in einem Farbraum, eine Dateiformat-Instanz wie JPEG oder PNG und ein kulturelles Artefakt, das ästhetischen Entscheidungen, ethischen Fragen, Archivierungsrichtlinien und Vertrauensrahmen unterliegt. Diese Ebenen werden jeweils in Tutorials zu Abtastung und Quantisierung, formalen Definitionen digitaler Bilder, Vergleichsleitfäden zu Bildformaten und Erklärungen zu Erhaltung und Formatpräferenzen beschrieben.
Digitale Bilder zu verstehen bedeutet, zu begreifen, wie all diese Ebenen zusammenwirken. Sobald man ein Bild als Zahlenarray betrachtet, das durch Abtasttheorie, Farbmetrik, Kompression, Metadaten und sozialen Kontext geprägt ist, werden Entscheidungen wie "Soll dieses Logo SVG oder PNG sein?" oder "Ist dieses JPEG gut genug für die Archivierung?" zu fundierten Abwägungen statt zu Raten.
Während sich Formate weiterentwickeln – PNG HDR-Unterstützung erhält, AVIF und JPEG XL JPEG herausfordern und Herkunftsstandards hinzukommen – wird sich diese Landschaft weiter verändern. Artikel zu den jüngsten PNG-Spezifikations-Updates, Bildformaten der nächsten Generation und sich wandelnden Erhaltungsleitlinien machen deutlich, dass digitale Bildgebung ein bewegliches Ziel ist. Die einzige Konstante ist, dass digitale Bilder weiterhin zentral dafür sein werden, wie wir die Welt sehen, uns an sie erinnern und über sie streiten – sei es in Form sorgfältig erhaltener TIFF-Scans in einem Archiv oder flüchtiger Memes, die durch einen Social-Feed rauschen.
Dieser Konverter läuft vollständig in Ihrem Browser. Wenn Sie eine Datei auswählen, wird sie in den Speicher gelesen und in das ausgewählte Format konvertiert. Sie können die konvertierte Datei dann herunterladen.
Die Konvertierung beginnt sofort, und die meisten Dateien werden in weniger als einer Sekunde konvertiert. Größere Dateien können länger dauern.
Ihre Dateien werden niemals auf unsere Server hochgeladen. Sie werden in Ihrem Browser konvertiert, und die konvertierte Datei wird dann heruntergeladen. Wir sehen Ihre Dateien niemals.
Wir unterstützen die Konvertierung zwischen allen Bildformaten, einschließlich JPEG, PNG, GIF, WebP, SVG, BMP, TIFF und mehr.
Dieser Konverter ist völlig kostenlos und wird immer kostenlos sein. Da er in Ihrem Browser läuft, müssen wir nicht für Server bezahlen, also müssen wir Ihnen auch nichts berechnen.
Ja! Sie können so viele Dateien auf einmal konvertieren, wie Sie möchten. Wählen Sie einfach mehrere Dateien aus, wenn Sie sie hinzufügen.