OCR de cualquier DXT1

Arrastre y suelte una foto, escaneo o PDF (hasta 2.5GB). Extraemos el texto directamente en su navegador — gratis, ilimitado y sus archivos nunca salen de su dispositivo.

Privado y seguro

Todo sucede en tu navegador. Tus archivos nunca tocan nuestros servidores.

Ultrarrápido

Sin subidas, sin esperas. Convierte en el momento en que sueltas un archivo.

Realmente gratis

No se requiere cuenta. Sin costos ocultos. Sin trucos de tamaño de archivo.

El Reconocimiento Óptico de Caracteres (OCR) convierte imágenes de texto—escaneos, fotos de smartphone, PDFs—en cadenas legibles por máquina y, cada vez más, en datos estructurados. El OCR moderno es una tubería que limpia una imagen, encuentra texto, lo lee y exporta metadatos ricos para que los sistemas posteriores puedan buscar, indexar o extraer campos. Dos estándares de salida ampliamente utilizados son hOCR, un microformato HTML para texto y diseño, y ALTO XML, un esquema orientado a bibliotecas/archivos; ambos preservan posiciones, orden de lectura y otras pistas de diseño y son compatibles con motores populares como Tesseract.

Un recorrido rápido por la tubería

Preprocesamiento. La calidad del OCR comienza con la limpieza de la imagen: conversión a escala de grises, eliminación de ruido, umbralización (binarización) y corrección de inclinación. Los tutoriales canónicos de OpenCV cubren umbralización global, adaptativa y Otsu —elementos básicos para documentos con iluminación no uniforme o histogramas bimodales. Cuando la iluminación varía dentro de una página (piense en las instantáneas del teléfono), los métodos adaptativos a menudo superan a un único umbral global; Otsu elige automáticamente un umbral analizando el histograma. La corrección de la inclinación es igualmente importante: la corrección de inclinación basada en Hough (Transformada de Hough Line) junto con la binarización de Otsu es una receta común y efectiva en las tuberías de preprocesamiento de producción.

Detección vs. reconocimiento. El OCR se divide típicamente en detección de texto (¿dónde está el texto?) y reconocimiento de texto (¿qué dice?). En escenas naturales y muchos escaneos, los detectores totalmente convolucionales como EAST predicen eficientemente cuadriláteros a nivel de palabra o línea sin pesadas etapas de propuesta y se implementan en kits de herramientas comunes (por ejemplo, tutorial de detección de texto de OpenCV). En páginas complejas (periódicos, formularios, libros), la segmentación de líneas/regiones y la inferencia del orden de lectura son importantes:Kraken implementa la segmentación tradicional de zonas/líneas y la segmentación neuronal de línea de base, con soporte explícito para diferentes escrituras y direcciones (LTR/RTL/vertical).

Modelos de reconocimiento. El clásico caballo de batalla de código abierto Tesseract (de código abierto por Google, con raíces en HP) evolucionó de un clasificador de caracteres a un reconocedor de secuencias basado en LSTM y puede emitir archivos PDF con capacidad de búsqueda, salidas compatibles con hOCR/ALTO, y más desde la CLI. Los reconocedores modernos se basan en el modelado de secuencias sin caracteres presegmentados. Clasificación Temporal Conexionista (CTC) sigue siendo fundamental, aprendiendo alineaciones entre secuencias de características de entrada y cadenas de etiquetas de salida; se utiliza ampliamente en tuberías de escritura a mano y texto de escena.

En los últimos años, los Transformers han remodelado el OCR. TrOCR utiliza un codificador Vision Transformer más un decodificador Text Transformer, entrenado en grandes corpus sintéticos y luego ajustado en datos reales, con un sólido rendimiento en benchmarks de texto impreso, manuscrito y de escena (véase también documentación de Hugging Face). En paralelo, algunos sistemas eluden el OCR para la comprensión posterior: Donut (Document Understanding Transformer) es un codificador-decodificador sin OCR que genera directamente respuestas estructuradas (como JSON de clave-valor) a partir de imágenes de documentos (repositorio, tarjeta de modelo), evitando la acumulación de errores cuando un paso de OCR separado alimenta un sistema de IE.

Motores y bibliotecas

Si desea una lectura de texto con todo incluido en muchas escrituras, EasyOCR ofrece una API simple con más de 80 modelos de lenguaje, que devuelve cuadros, texto y confidencias, útil para prototipos y escrituras no latinas. Para documentos históricos, Kraken brilla con la segmentación de línea de base y el orden de lectura consciente de la escritura; para un entrenamiento flexible a nivel de línea, Calamari se basa en el linaje de Ocropy (Ocropy) con reconocedores (multi-)LSTM+CTC y una CLI para ajustar modelos personalizados.

Conjuntos de datos y benchmarks

La generalización depende de los datos. Para la escritura a mano, la Base de datos de escritura a mano IAM proporciona oraciones en inglés de diversos escritores para entrenamiento y evaluación; es un conjunto de referencia de larga data para el reconocimiento de líneas y palabras. Para el texto de escena, COCO-Text superpuso anotaciones extensas sobre MS-COCO, con etiquetas para texto impreso/manuscrito, legible/ilegible, escritura y transcripciones completas (véase también la página original del proyecto). El campo también depende en gran medida del preentrenamiento sintético: SynthText in the Wild representa texto en fotografías con geometría e iluminación realistas, proporcionando enormes volúmenes de datos para preentrenar detectores y reconocedores (referencia código y datos).

Las competiciones bajo el paraguas de Lectura Robusta de ICDAR mantienen la evaluación fundamentada. Las tareas recientes enfatizan la detección/lectura de extremo a extremo e incluyen la vinculación de palabras en frases, con el código oficial informando precisión/recuperación/puntuación F, intersección sobre unión (IoU) y métricas de distancia de edición a nivel de carácter, lo que refleja lo que los profesionales deben rastrear.

Formatos de salida y uso posterior

El OCR rara vez termina en texto plano. Los archivos y las bibliotecas digitales prefieren ALTO XML porque codifica el diseño físico (bloques/líneas/palabras con coordenadas) junto con el contenido, y se combina bien con el empaquetado METS. El microformato hOCR , por el contrario, incorpora la misma idea en HTML/CSS utilizando clases como ocr_line y ocrx_word, lo que facilita su visualización, edición y transformación con herramientas web. Tesseract expone ambos, por ejemplo, generando hOCR o PDF con capacidad de búsqueda directamente desde la CLI (guía de salida de PDF); los envoltorios de Python como pytesseract añaden comodidad. Existen convertidores para traducir entre hOCR y ALTO cuando los repositorios tienen estándares de ingesta fijos —véase esta lista curada de herramientas de formato de archivo OCR.

Orientación práctica

  • Comience con los datos y la limpieza. Si sus imágenes son fotos de teléfono o escaneos de calidad mixta, invierta en umbralización (adaptativa y Otsu) y corrección de inclinación (Hough) antes de cualquier ajuste del modelo. A menudo obtendrá más de una receta de preprocesamiento robusta que de cambiar de reconocedores.
  • Elija el detector adecuado. Para páginas escaneadas con columnas regulares, un segmentador de páginas (zonas → líneas) puede ser suficiente; para imágenes naturales, los detectores de un solo disparo como EAST son líneas de base sólidas y se conectan a muchos kits de herramientas (ejemplo de OpenCV).
  • Elija un reconocedor que coincida con su texto. Para el latín impreso, Tesseract (LSTM/OEM) es robusto y rápido; para múltiples escrituras o prototipos rápidos, EasyOCR es productivo; para escritura a mano o tipos de letra históricos, considere Kraken o Calamari y planee un ajuste fino. Si necesita un acoplamiento estrecho con la comprensión de documentos (extracción de clave-valor, VQA), evalúe TrOCR (OCR) frente a Donut (sin OCR) en su esquema—Donut puede eliminar todo un paso de integración.
  • Mida lo que importa. Para sistemas de extremo a extremo, informe la detección puntuación F y el reconocimiento CER/WER (ambos basados en la distancia de edición de Levenshtein ; véase CTC); para tareas con mucho diseño, rastree la IoU/ajuste y la distancia de edición normalizada a nivel de carácter como en los kits de evaluación de ICDAR RRC .
  • Exporte salidas ricas. Prefiera hOCR /ALTO (o ambos) para mantener las coordenadas y el orden de lectura, vital para resaltar los resultados de búsqueda, la extracción de tablas/campos y la procedencia. La CLI de Tesseract y pytesseract lo convierten en una sola línea.

Mirando hacia el futuro

La tendencia más fuerte es la convergencia: la detección, el reconocimiento, el modelado del lenguaje e incluso la decodificación específica de la tarea se están fusionando en pilas de Transformer unificadas. El preentrenamiento en grandes corpus sintéticos sigue siendo un multiplicador de fuerza. Los modelos sin OCR competirán agresivamente dondequiera que el objetivo sean salidas estructuradas en lugar de transcripciones literales. Espere también implementaciones híbridas: un detector ligero más un reconocedor de estilo TrOCR para texto de formato largo, y un modelo de estilo Donut para formularios y recibos.

Lecturas adicionales y herramientas

Tesseract (GitHub) · Documentación de Tesseract · Especificación de hOCR · Fondo de ALTO · Detector EAST · Detección de texto de OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Escritura a mano de IAM · Herramientas de formato de archivo OCR · EasyOCR

Preguntas frecuentes

¿Qué es OCR?

El Reconocimiento Óptico de Caracteres (OCR) es una tecnología utilizada para convertir diferentes tipos de documentos, como documentos en papel escaneados, archivos PDF o imágenes capturadas por una cámara digital, en datos editables y buscables.

¿Cómo funciona OCR?

OCR funciona escaneando una imagen o documento de entrada, segmentando la imagen en caracteres individuales y comparando cada carácter con una base de datos de formas de caracteres utilizando reconocimiento de patrones o reconocimiento de características.

¿Cuáles son algunas aplicaciones prácticas de OCR?

OCR se utiliza en una variedad de sectores y aplicaciones, incluyendo la digitalización de documentos impresos, la habilitación de servicios de texto a voz, la automatización de procesos de entrada de datos, y ayudar a los usuarios con discapacidad visual a interactuar mejor con el texto.

¿Es OCR siempre 100% exacto?

Aunque se han hecho grandes avances en la tecnología OCR, no es infalible. La precisión puede variar dependiendo de la calidad del documento original y las especificidades del software OCR que se esté utilizando.

¿Puede OCR reconocer la escritura a mano?

Aunque OCR está diseñado principalmente para texto impreso, algunos sistemas avanzados de OCR también pueden reconocer escritura a mano clara y consistente. Sin embargo, en general, el reconocimiento de la escritura a mano es menos preciso debido a la amplia variación en los estilos de escritura individuales.

¿Puede OCR manejar múltiples idiomas?

Sí, muchos sistemas de software OCR pueden reconocer múltiples idiomas. Sin embargo, es importante asegurar que el idioma específico sea soportado por el software que estás utilizando.

¿Cuál es la diferencia entre OCR e ICR?

OCR significa Reconocimiento Óptico de Caracteres y se utiliza para reconocer texto impreso, mientras que ICR, o Reconocimiento Inteligente de Caracteres, es más avanzado y se utiliza para reconocer texto escrito a mano.

¿Funciona OCR con cualquier fuente y tamaño de texto?

OCR funciona mejor con fuentes claras y fáciles de leer y tamaños de texto estándar. Si bien puede funcionar con varias fuentes y tamaños, la precisión tiende a disminuir cuando se trata de fuentes inusuales o tamaños de texto muy pequeños.

¿Cuáles son las limitaciones de la tecnología OCR?

OCR puede tener dificultades con documentos de baja resolución, fuentes complejas, textos mal impresos, escritura a mano y documentos con fondos que interfieren con el texto. Además, aunque puede trabajar con muchos idiomas, puede que no cubra cada idioma a la perfección.

¿Puede OCR escanear texto en color o fondos en color?

Sí, OCR puede escanear texto en color y fondos en color, aunque generalmente es más efectivo con combinaciones de colores de alto contraste, como texto negro sobre un fondo blanco. La precisión puede disminuir cuando los colores del texto y del fondo carecen de suficiente contraste.

¿Qué es el formato DXT1?

Superficie DirectDraw de Microsoft

El formato de compresión DXT1, parte de la familia DirectX Texture (DirectXTex), representa un avance significativo en la tecnología de compresión de imágenes, diseñado específicamente para gráficos por computadora. Se trata de una técnica de compresión con pérdida que equilibra la calidad de la imagen con los requisitos de almacenamiento, lo que lo hace excepcionalmente adecuado para aplicaciones 3D en tiempo real, como juegos, donde tanto el espacio en disco como el ancho de banda son recursos preciados. En su esencia, el formato DXT1 comprime los datos de textura a una fracción de su tamaño original sin necesidad de descompresión en tiempo real, reduciendo así el uso de memoria y mejorando el rendimiento.

DXT1 opera en bloques de píxeles en lugar de píxeles individuales. Específicamente, procesa bloques de 4x4 píxeles, comprimiendo cada bloque a 64 bits. Este enfoque, la compresión por bloques, es lo que permite que DXT1 reduzca significativamente la cantidad de datos necesarios para representar una imagen. La esencia de la compresión en DXT1 radica en su capacidad para encontrar un equilibrio en la representación del color dentro de cada bloque, preservando así la mayor cantidad de detalles posible mientras se logran altas tasas de compresión.

El proceso de compresión de DXT1 se puede dividir en varios pasos. Primero, identifica los dos colores dentro de un bloque que son más representativos del rango de color general del bloque. Estos colores se seleccionan en función de su capacidad para abarcar la variabilidad de color dentro del bloque, y se almacenan como dos colores RGB de 16 bits. A pesar de la menor profundidad de bits en comparación con los datos de imagen originales, este paso garantiza que se mantenga la información de color más crítica.

Después de determinar los dos colores primarios, DXT1 los utiliza para generar dos colores adicionales, creando un total de cuatro colores que representarán todo el bloque. Estos colores adicionales se calculan mediante interpolación lineal, un proceso que combina los dos colores primarios en diferentes proporciones. Específicamente, el tercer color se genera mediante una mezcla equitativa de los dos colores primarios, mientras que el cuarto color es una mezcla que favorece al primer color o un negro puro, dependiendo de los requisitos de transparencia de la textura.

Con los cuatro colores determinados, el siguiente paso implica asignar cada píxel del bloque original de 4x4 al color más cercano entre los cuatro colores generados. Esta asignación se realiza mediante un simple algoritmo de vecino más cercano, que calcula la distancia entre el color del píxel original y los cuatro colores representativos, asignando el píxel a la coincidencia más cercana. Este proceso efectivamente cuantiza el espacio de color original del bloque en cuatro colores distintos, un factor clave para lograr la compresión de DXT1.

El paso final en el proceso de compresión de DXT1 es la codificación de la información de asignación de colores junto con los dos colores originales seleccionados para el bloque. Los dos colores originales se almacenan directamente en los datos del bloque comprimido como valores de 16 bits. Mientras tanto, la asignación de cada píxel a uno de los cuatro colores se codifica como una serie de índices de 2 bits, donde cada índice apunta a uno de los cuatro colores. Estos índices se empaquetan juntos y abarcan el resto de los bits del bloque de 64 bits. El bloque comprimido resultante contiene tanto la información de color como la asignación necesaria para reconstruir la apariencia del bloque durante la descompresión.

La descompresión en DXT1 está diseñada para ser un proceso sencillo y rápido, lo que lo hace muy adecuado para aplicaciones en tiempo real. La sencillez del algoritmo de descompresión permite que se realice por hardware en las tarjetas gráficas modernas, reduciendo aún más la carga en la CPU y contribuyendo a la eficiencia de rendimiento de las texturas comprimidas con DXT1. Durante la descompresión, los dos colores originales se recuperan de los datos del bloque y se utilizan junto con los índices de 2 bits para reconstruir el color de cada píxel en el bloque. El método de interpolación lineal se vuelve a utilizar para derivar los colores intermedios si es necesario.

Una de las ventajas de DXT1 es su reducción significativa en el tamaño del archivo, que puede llegar a ser de hasta 8:1 en comparación con las texturas RGB de 24 bits sin comprimir. Esta reducción no solo ahorra espacio en disco, sino que también disminuye los tiempos de carga y aumenta el potencial de variedad de texturas dentro de un presupuesto de memoria dado. Además, los beneficios de rendimiento de DXT1 no se limitan al ahorro de almacenamiento y ancho de banda; al reducir la cantidad de datos que deben procesarse y transferirse a la GPU, también contribuye a una mayor velocidad de renderizado, convirtiéndolo en un formato ideal para juegos y otras aplicaciones intensivas en gráficos.

A pesar de sus ventajas, DXT1 no está exento de limitaciones. La más notable es el potencial de artefactos visibles, especialmente en texturas con alto contraste de color o detalles complejos. Estos artefactos son el resultado del proceso de cuantización y la limitación a cuatro colores por bloque, que pueden no representar con precisión el rango de color completo de la imagen original. Además, el requisito de seleccionar dos colores representativos para cada bloque puede generar problemas de bandeado de color, donde las transiciones entre colores se vuelven notablemente abruptas y poco naturales.

Además, el manejo de la transparencia en el formato DXT1 agrega otra capa de complejidad. DXT1 admite transparencia alfa de 1 bit, lo que significa que un píxel puede ser completamente transparente u opaco. Este enfoque binario de la transparencia se implementa eligiendo uno de los colores generados para representar la transparencia, típicamente el cuarto color si los dos primeros colores se seleccionan de tal manera que su orden numérico esté invertido. Si bien esto permite cierto nivel de transparencia en las texturas, es bastante limitado y puede generar bordes abruptos alrededor de las áreas transparentes, lo que lo hace menos adecuado para efectos de transparencia detallados.

Los desarrolladores que trabajan con texturas comprimidas con DXT1 a menudo emplean una variedad de técnicas para mitigar estas limitaciones. Por ejemplo, un diseño cuidadoso de las texturas y el uso de tramado pueden ayudar a reducir la visibilidad de los artefactos de compresión y el bandeado de color. Además, cuando se trata de transparencia, los desarrolladores podrían optar por usar mapas de texturas separados para los datos de transparencia o elegir otros formatos DXT que ofrezcan un manejo más matizado de la transparencia, como DXT3 o DXT5, para las texturas donde la transparencia de alta calidad es crucial.

La adopción generalizada de DXT1 y su inclusión en la API de DirectX destacan su importancia en el campo de los gráficos en tiempo real. Su capacidad para mantener un equilibrio entre calidad y rendimiento lo ha convertido en un elemento básico en la industria de los juegos, donde el uso eficiente de los recursos a menudo es una preocupación crítica. Más allá de los juegos, DXT1 encuentra aplicaciones en varios campos que requieren renderizado en tiempo real, como la realidad virtual, la simulación y la visualización 3D, lo que subraya su versatilidad y eficacia como formato de compresión.

A medida que la tecnología avanza, la evolución de las técnicas de compresión de texturas continúa, con nuevos formatos que buscan abordar las limitaciones de DXT1 mientras se basan en sus fortalezas. Los avances en hardware y software han dado lugar al desarrollo de formatos de compresión que ofrecen mayor calidad, mejor soporte de transparencia y algoritmos de compresión más eficientes. Sin embargo, el legado de DXT1 como un formato pionero en la compresión de texturas sigue siendo indiscutible. Sus principios de diseño y los compromisos que encarna entre calidad, rendimiento y eficiencia de almacenamiento continúan influyendo en el desarrollo de las futuras tecnologías de compresión.

En conclusión, el formato de imagen DXT1 representa un desarrollo significativo en el campo de la compresión de texturas, logrando un equilibrio efectivo entre la calidad de la imagen y el uso de memoria. Si bien tiene sus limitaciones, particularmente en el ámbito de la fidelidad del color y el manejo de la transparencia, sus beneficios en términos de ganancias de almacenamiento y rendimiento no pueden subestimarse. Para aplicaciones donde la velocidad y la eficiencia son primordiales, DXT1 sigue siendo una opción convincente. A medida que el campo de los gráficos por computadora avance, las lecciones aprendidas del diseño y la aplicación de DXT1 sin duda seguirán informando e inspirando futuras innovaciones en la compresión de imágenes.

Formatos de archivo compatibles

AAI.aai

Imagen Dune AAI

AI.ai

Adobe Illustrator CS2

AVIF.avif

Formato de archivo de imagen AV1

BAYER.bayer

Imagen Bayer en bruto

BMP.bmp

Imagen bitmap de Microsoft Windows

CIN.cin

Archivo de imagen Cineon

CLIP.clip

Máscara de clip de imagen

CMYK.cmyk

Muestras de cian, magenta, amarillo y negro en bruto

CUR.cur

Icono de Microsoft

DCX.dcx

ZSoft IBM PC Paintbrush multipágina

DDS.dds

Superficie DirectDraw de Microsoft

DPX.dpx

Imagen SMTPE 268M-2003 (DPX 2.0)

DXT1.dxt1

Superficie DirectDraw de Microsoft

EPDF.epdf

Formato de documento portátil encapsulado

EPI.epi

Formato de intercambio PostScript encapsulado de Adobe

EPS.eps

PostScript encapsulado de Adobe

EPSF.epsf

PostScript encapsulado de Adobe

EPSI.epsi

Formato de intercambio PostScript encapsulado de Adobe

EPT.ept

PostScript encapsulado con vista previa TIFF

EPT2.ept2

PostScript encapsulado Nivel II con vista previa TIFF

EXR.exr

Imagen de alto rango dinámico (HDR)

FF.ff

Farbfeld

FITS.fits

Sistema de Transporte de Imagen Flexible

GIF.gif

Formato de intercambio de gráficos CompuServe

HDR.hdr

Imagen de alto rango dinámico

HEIC.heic

Contenedor de imagen de alta eficiencia

HRZ.hrz

Televisión de barrido lento

ICO.ico

Icono de Microsoft

ICON.icon

Icono de Microsoft

J2C.j2c

Flujo JPEG-2000

J2K.j2k

Flujo JPEG-2000

JNG.jng

Gráficos JPEG Network

JP2.jp2

Sintaxis de formato de archivo JPEG-2000

JPE.jpe

Formato JFIF del Grupo Conjunto de Expertos en Fotografía

JPEG.jpeg

Formato JFIF del Grupo Conjunto de Expertos en Fotografía

JPG.jpg

Formato JFIF del Grupo Conjunto de Expertos en Fotografía

JPM.jpm

Sintaxis de formato de archivo JPEG-2000

JPS.jps

Formato JPS del Grupo Conjunto de Expertos en Fotografía

JPT.jpt

Sintaxis de formato de archivo JPEG-2000

JXL.jxl

Imagen JPEG XL

MAP.map

Base de datos de imágenes sin costuras multiresolución (MrSID)

MAT.mat

Formato de imagen MATLAB nivel 5

PAL.pal

Mapa de pixeles Palm

PALM.palm

Mapa de pixeles Palm

PAM.pam

Formato común de mapa de bits 2-dimensional

PBM.pbm

Formato de mapa de bits portable (blanco y negro)

PCD.pcd

Photo CD

PCT.pct

Apple Macintosh QuickDraw/PICT

PCX.pcx

ZSoft IBM PC Paintbrush

PDB.pdb

Formato Palm Database ImageViewer

PDF.pdf

Formato de Documento Portátil

PDFA.pdfa

Formato de Archivo de Documento Portátil

PFM.pfm

Formato flotante portable

PGM.pgm

Formato de mapa de grises portable (escala de grises)

PGX.pgx

Formato sin comprimir JPEG 2000

PICT.pict

Apple Macintosh QuickDraw/PICT

PJPEG.pjpeg

Formato JFIF del Grupo Conjunto de Expertos en Fotografía

PNG.png

Gráficos de red portátiles

PNG00.png00

PNG que hereda profundidad de bits, tipo de color de la imagen original

PNG24.png24

RGB opaco o transparente binario de 24 bits (zlib 1.2.11)

PNG32.png32

RGBA opaco o transparente binario de 32 bits

PNG48.png48

RGB opaco o transparente binario de 48 bits

PNG64.png64

RGBA opaco o transparente binario de 64 bits

PNG8.png8

Índice opaco o transparente binario de 8 bits

PNM.pnm

Anymap portable

PPM.ppm

Formato de mapa de bits portable (color)

PS.ps

Archivo PostScript de Adobe

PSB.psb

Formato de documento grande de Adobe

PSD.psd

Mapa de bits Photoshop de Adobe

RGB.rgb

Muestras de rojo, verde y azul en bruto

RGBA.rgba

Muestras de rojo, verde, azul y alfa en bruto

RGBO.rgbo

Muestras de rojo, verde, azul y opacidad en bruto

SIX.six

Formato de gráficos DEC SIXEL

SUN.sun

Formato Rasterfile de Sun

SVG.svg

Gráficos vectoriales escalables

TIFF.tiff

Formato de archivo de imagen etiquetado

VDA.vda

Imagen Truevision Targa

VIPS.vips

Imagen VIPS

WBMP.wbmp

Imagen inalámbrica Bitmap (nivel 0)

WEBP.webp

Formato de imagen WebP

YUV.yuv

CCIR 601 4:1:1 o 4:2:2

Preguntas frecuentes

¿Cómo funciona esto?

Este convertidor funciona completamente en tu navegador. Cuando seleccionas un archivo, se lee en la memoria y se convierte al formato seleccionado. Luego puedes descargar el archivo convertido.

¿Cuánto tarda en convertir un archivo?

Las conversiones comienzan al instante, y la mayoría de los archivos se convierten en menos de un segundo. Archivos más grandes pueden tardar más.

¿Qué sucede con mis archivos?

Tus archivos nunca se suben a nuestros servidores. Se convierten en tu navegador, y el archivo convertido se descarga luego. Nosotros nunca vemos tus archivos.

¿Qué tipos de archivo puedo convertir?

Soportamos la conversión entre todos los formatos de imagen, incluyendo JPEG, PNG, GIF, WebP, SVG, BMP, TIFF y más.

¿Cuánto cuesta esto?

Este convertidor es completamente gratis, y siempre será gratis. Debido a que funciona en tu navegador, no tenemos que pagar por servidores, así que no necesitamos cobrarte.

¿Puedo convertir múltiples archivos a la vez?

¡Sí! Puedes convertir tantos archivos como quieras a la vez. Sólo selecciona múltiples archivos cuando los agregues.