OCR de qualquer HEIC

Arraste e solte uma foto, digitalização ou PDF (até 2.5GB). Extraímos o texto diretamente no seu navegador — gratuito, ilimitado e seus arquivos nunca saem do seu dispositivo.

Privado e seguro

Tudo acontece no seu navegador. Seus arquivos nunca tocam nossos servidores.

Incrivelmente rápido

Sem upload, sem espera. Converta no momento em que você solta um arquivo.

Realmente grátis

Nenhuma conta necessária. Sem custos ocultos. Sem truques de tamanho de arquivo.

O Reconhecimento Ótico de Caracteres (OCR) transforma imagens de texto—digitalizações, fotos de smartphone, PDFs—em strings legíveis por máquina e, cada vez mais, em dados estruturados. O OCR moderno é um pipeline que limpa uma imagem, encontra texto, lê e exporta metadados ricos para que os sistemas downstream possam pesquisar, indexar ou extrair campos. Dois padrões de saída amplamente utilizados são hOCR, um microformato HTML para texto e layout, e ALTO XML, um esquema orientado para bibliotecas/arquivos; ambos preservam posições, ordem de leitura e outras dicas de layout e são suportados por motores populares como Tesseract.

Um rápido tour pelo pipeline

Pré-processamento. A qualidade do OCR começa com a limpeza da imagem: conversão para tons de cinza, remoção de ruído, limiarização (binarização) e correção de inclinação. Tutoriais canônicos do OpenCV cobrem limiarização global, adaptativa e Otsu —itens básicos para documentos com iluminação não uniforme ou histogramas bimodais. Quando a iluminação varia dentro de uma página (pense em fotos de celular), os métodos adaptativos geralmente superam um único limiar global; Otsu escolhe automaticamente um limiar analisando o histograma. A correção da inclinação é igualmente importante: a correção de inclinação baseada em Hough (Transformada de Linha de Hough) combinada com a binarização de Otsu é uma receita comum e eficaz em pipelines de pré-processamento de produção.

Detecção vs. reconhecimento. O OCR é normalmente dividido em detecção de texto (onde está o texto?) e reconhecimento de texto (o que ele diz?). Em cenas naturais e muitas digitalizações, detectores totalmente convolucionais como EAST preveem eficientemente quadriláteros no nível de palavra ou linha sem estágios de proposta pesados e são implementados em kits de ferramentas comuns (por exemplo, tutorial de detecção de texto do OpenCV). Em páginas complexas (jornais, formulários, livros), a segmentação de linhas/regiões e a inferência da ordem de leitura são importantes:Kraken implementa a segmentação tradicional de zona/linha e a segmentação neural de linha de base, com suporte explícito para diferentes scripts e direções (LTR/RTL/vertical).

Modelos de reconhecimento. O clássico cavalo de batalha de código aberto Tesseract (de código aberto pelo Google, com raízes na HP) evoluiu de um classificador de caracteres para um reconhecedor de sequência baseado em LSTM e pode emitir PDFs pesquisáveis, saídas amigáveis para hOCR/ALTO, e mais a partir da CLI. Os reconhecedores modernos dependem da modelagem de sequência sem caracteres pré-segmentados. Classificação Temporal Conexionista (CTC) permanece fundamental, aprendendo alinhamentos entre sequências de características de entrada e strings de rótulo de saída; é amplamente utilizado em pipelines de caligrafia e texto de cena.

Nos últimos anos, os Transformers remodelaram o OCR. TrOCR usa um codificador Vision Transformer mais um decodificador Text Transformer, treinado em grandes corpora sintéticos e, em seguida, ajustado em dados reais, com forte desempenho em benchmarks de texto impresso, manuscrito e de cena (veja também documentação do Hugging Face). Em paralelo, alguns sistemas contornam o OCR para compreensão downstream: Donut (Document Understanding Transformer) é um codificador-decodificador livre de OCR que produz diretamente respostas estruturadas (como JSON de chave-valor) a partir de imagens de documentos (repositório, cartão do modelo), evitando o acúmulo de erros quando uma etapa separada de OCR alimenta um sistema de IE.

Mecanismos e bibliotecas

Se você quer leitura de texto completa em vários scripts, EasyOCR oferece uma API simples com mais de 80 modelos de linguagem, retornando caixas, texto e confianças — útil para protótipos e scripts não latinos. Para documentos históricos, Kraken brilha com segmentação de linha de base e ordem de leitura consciente do script; para treinamento flexível no nível da linha, Calamari se baseia na linhagem Ocropy (Ocropy) com reconhecedores (multi-)LSTM+CTC e uma CLI para ajuste fino de modelos personalizados.

Conjuntos de dados e benchmarks

A generalização depende dos dados. Para caligrafia, o Banco de Dados de Caligrafia IAM fornece frases em inglês de diversos escritores para treinamento e avaliação; é um conjunto de referência de longa data para reconhecimento de linha e palavra. Para texto de cena, COCO-Text sobrepôs anotações extensas sobre o MS-COCO, com rótulos para impresso/manuscrito, legível/ilegível, script e transcrições completas (veja também a página original do projeto). O campo também depende muito do pré-treinamento sintético: SynthText in the Wild renderiza texto em fotografias com geometria e iluminação realistas, fornecendo enormes volumes de dados para pré-treinar detectores e reconhecedores (referência código e dados).

As competições sob a égide do Robust Reading do ICDAR mantêm a avaliação fundamentada. As tarefas recentes enfatizam a detecção/leitura de ponta a ponta e incluem a ligação de palavras em frases, com o código oficial relatando precisão/recall/F-score, interseção sobre união (IoU) e métricas de distância de edição no nível do caractere — espelhando o que os praticantes devem rastrear.

Formatos de saída e uso downstream

O OCR raramente termina em texto simples. Arquivos e bibliotecas digitais preferem ALTO XML porque ele codifica o layout físico (blocos/linhas/palavras com coordenadas) juntamente com o conteúdo, e combina bem com o empacotamento METS. O microformato hOCR , por outro lado, incorpora a mesma ideia em HTML/CSS usando classes como ocr_line e ocrx_word, tornando mais fácil exibir, editar и transformar com ferramentas da web. O Tesseract expõe ambos — por exemplo, gerando hOCR ou PDFs pesquisáveis diretamente da CLI (guia de saída de PDF); wrappers de Python como pytesseract adicionam conveniência. Existem conversores para traduzir entre hOCR e ALTO quando os repositórios têm padrões de ingestão fixos — veja esta lista com curadoria de ferramentas de formato de arquivo OCR.

Orientação prática

  • Comece com dados e limpeza. Se suas imagens são fotos de celular ou digitalizações de qualidade mista, invista em limiarização (adaptativa e Otsu) e correção de inclinação (Hough) antes de qualquer ajuste de modelo. Muitas vezes, você ganhará mais com uma receita robusta de pré-processamento do que trocando de reconhecedores.
  • Escolha o detector certo. Para páginas digitalizadas com colunas regulares, um segmentador de página (zonas → linhas) pode ser suficiente; para imagens naturais, detectores de um único tiro como EAST são linhas de base fortes e se conectam a muitos kits de ferramentas (exemplo do OpenCV).
  • Escolha um reconhecedor que corresponda ao seu texto. Para latim impresso, Tesseract (LSTM/OEM) é robusto e rápido; para vários scripts ou protótipos rápidos, EasyOCR é produtivo; para caligrafia ou tipos de letra históricos, considere Kraken ou Calamari e planeje o ajuste fino. Se você precisar de um acoplamento rígido com a compreensão de documentos (extração de chave-valor, VQA), avalie TrOCR (OCR) versus Donut (livre de OCR) em seu esquema — o Donut pode remover uma etapa inteira de integração.
  • Meça o que importa. Para sistemas de ponta a ponta, relate a detecção F-score e o reconhecimento CER/WER (ambos baseados na distância de edição de Levenshtein ; veja CTC); para tarefas com muito layout, acompanhe a IoU/aperto e a distância de edição normalizada no nível do caractere, como nos kits de avaliação do ICDAR RRC .
  • Exporte saídas ricas. Prefira hOCR /ALTO (ou ambos) para manter as coordenadas e a ordem de leitura — vital para destacar resultados de pesquisa, extração de tabela/campo e proveniência. A CLI do Tesseract e o pytesseract tornam isso uma tarefa de uma linha.

Olhando para o futuro

A tendência mais forte é a convergência: detecção, reconhecimento, modelagem de linguagem e até mesmo decodificação específica da tarefa estão se fundindo em pilhas unificadas de Transformer. O pré-treinamento em grandes corpora sintéticos continua sendo um multiplicador de força. Os modelos livres de OCR competirão agressivamente onde quer que o alvo seja saídas estruturadas em vez de transcrições literais. Espere também implantações híbridas: um detector leve mais um reconhecedor no estilo TrOCR para texto longo e um modelo no estilo Donut para formulários e recibos.

Leitura adicional e ferramentas

Tesseract (GitHub) · Documentação do Tesseract · Especificação hOCR · Fundo ALTO · Detector EAST · Detecção de texto do OpenCV · TrOCR · Donut · COCO-Text · SynthText · Kraken · Calamari OCR · ICDAR RRC · pytesseract · Caligrafia IAM · Ferramentas de formato de arquivo OCR · EasyOCR

Perguntas frequentes

O que é OCR?

Reconhecimento óptico de caracteres (OCR) é uma tecnologia usada para converter diferentes tipos de documentos, como documentos de papel digitalizados, arquivos PDF ou imagens capturadas por uma câmera digital, em dados editáveis e pesquisáveis.

Como o OCR funciona?

O OCR digitaliza a imagem ou documento de entrada, decompõe a imagem em caracteres individuais e, em seguida, compara cada caractere com um banco de dados de formas de caracteres usando o reconhecimento de padrões ou recursos.

Quais são as aplicações práticas do OCR?

O OCR é usado em várias indústrias e aplicações, incluindo a digitalização de documentos impressos, aproveitando serviços de texto para fala, automatizando o processo de entrada de dados e ajudando usuários com deficiência visual a interagir com o texto de maneira mais eficaz.

O OCR é sempre 100% preciso?

Apesar de as tecnologias OCR terem melhorado significativamente, elas não são infalíveis. A precisão pode variar dependendo da qualidade do documento original e das características específicas do software OCR usado.

O OCR pode reconhecer a escrita à mão?

Embora o OCR seja projetado principalmente para reconhecer texto impresso, alguns sistemas OCR avançados também podem reconhecer a escrita à mão legível. No entanto, o reconhecimento da escrita à mão é geralmente menos preciso, devido à variabilidade dos estilos de escrita individuais.

O OCR pode processar vários idiomas?

Sim, muitos softwares OCR podem reconhecer vários idiomas. No entanto, você deve garantir que o idioma que você precisa está suportado no software que está usando.

Qual é a diferença entre OCR e ICR?

OCR é a sigla de Optical Character Recognition (Reconhecimento Óptico de Caracteres), que é usado para reconhecer o texto impresso, enquanto o ICR, ou Intelligent Character Recognition (Reconhecimento Inteligente de Caracteres), é uma tecnologia mais avançada utilizada para reconhecer a escrita à mão.

O OCR pode processar todas as fontes e tamanhos de texto?

O OCR é mais eficiente ao processar fontes claras e legíveis e tamanhos de texto padrão. Embora seja capaz de reconhecer variações de fontes e tamanhos, a sua precisão pode diminuir ao processar fontes não convencionais ou tamanhos de texto muito pequenos.

Quais são as limitações da tecnologia OCR?

O OCR pode ter problemas em processar documentos de baixa resolução, fontes complexas, texto de má qualidade de impressão, texto manuscrito ou documentos onde o texto se confunde com o fundo. Além disso, embora o OCR possa reconhecer muitos idiomas, pode não ser capaz de cobrir todos os idiomas de forma perfeita.

O OCR pode escanear texto colorido ou fundo colorido?

Sim, o OCR pode escanear texto e fundos coloridos, mas é mais eficaz com combinações de cores de alto contraste, como texto preto sobre fundo branco. Se o contraste entre a cor do texto e do fundo não for suficiente, a precisão pode diminuir.

O que é o formato HEIC?

Container de imagem de alta eficiência

O formato de imagem HALD, embora não seja amplamente reconhecido pela população em geral, desempenha um papel fundamental em fluxos de trabalho avançados de processamento de imagem e gradação de cores. Seu princípio subjacente é funcionar como uma referência neutra que mapeia todos os valores de cor possíveis que podem ser exibidos por um sistema de imagem digital. Esse mapeamento é obtido por meio de um padrão visual exclusivo que representa o espaço de cores tridimensional em um formato bidimensional. Essencialmente, a imagem HALD serve como uma tabela de pesquisa de cores abrangente (LUT), permitindo a manipulação eficiente de cores em uma ampla gama de aplicações. Ao aplicar ajustes a uma imagem HALD e, em seguida, usar a HALD modificada como uma LUT de cores, os profissionais podem obter transformações de cores consistentes e previsíveis em várias imagens ou vídeos.

A origem do nome 'HALD' não é amplamente documentada, levando a uma certa aura de mistério em torno de seu início. Na prática, o formato de imagem HALD representa uma evolução da tabela de pesquisa de cores (LUT), um conceito que tem sido fundamental na gradação de cores e no processamento de imagens. Ao contrário das LUTs tradicionais, que geralmente são limitadas a uma faixa específica de transformações de cores, uma imagem HALD contém uma representação de todas as transformações de cores possíveis dentro de sua grade. Esse encapsulamento exaustivo do espaço de cores permite um nível incomparável de controle e flexibilidade nos processos de gradação de cores.

Criar uma imagem HALD envolve gerar um padrão que inclui todas as cores dentro do espaço de cores do dispositivo pelo menos uma vez. Normalmente, isso é obtido subdividindo o espaço de cores em uma grade onde cada célula representa uma cor única. A complexidade e o tamanho de uma imagem HALD podem variar, geralmente aumentando com a precisão da representação de cor necessária. Uma imagem HALD padrão é criada mapeando o espaço de cores tridimensional (vermelho, verde, azul) em um plano bidimensional, organizando as cores de forma que possam ser facilmente processadas por software de edição de imagem.

As aplicações práticas das imagens HALD abrangem vários campos, desde cinema e fotografia até arte digital e mídia impressa. Na pós-produção de filmes e vídeos, as imagens HALD são utilizadas para criar LUTs de cores que garantem a consistência das cores em diferentes tomadas ou cenas. Os fotógrafos empregam imagens HALD para aplicar perfis de cores consistentes a lotes de imagens, reduzindo significativamente o tempo necessário para a correção manual de cores. No reino da arte digital, as imagens HALD facilitam a criação de perfis de cores exclusivos que podem ser aplicados a telas digitais para aprimorar a expressão artística.

Uma das principais vantagens do formato de imagem HALD é a natureza não destrutiva dos ajustes de cor feitos com ele. Como as transformações de cores são aplicadas usando uma LUT derivada da imagem HALD em vez de diretamente na imagem original, os dados subjacentes da imagem original permanecem inalterados. Isso permite revisões fáceis e experimentação com diferentes graus de cor sem comprometer a qualidade da imagem original. Além disso, a aplicação de graus de cor por meio de uma LUT baseada em HALD geralmente é mais rápida do que a correção manual de cores, agilizando o fluxo de trabalho de pós-produção.

A criação técnica de uma imagem HALD requer software especializado capaz de gerar a grade complexa que representa o espaço de cores. Este processo começa com a definição das dimensões da imagem HALD, que determina a gama de cores que ela pode representar. O espaço de cores é então discretizado em uma série de cubos, cada um correspondendo a uma cor específica. Esses cubos são achatados em uma grade bidimensional, criando a imagem HALD. A precisão da representação de cores em uma imagem HALD é diretamente proporcional à sua resolução, com resoluções mais altas permitindo uma gradação de cores mais detalhada.

Para usar uma imagem HALD para gradação de cores, o primeiro passo é aplicar as correções de cores desejadas à própria imagem HALD. Isso pode ser feito usando qualquer software de edição de imagem padrão, permitindo ajustes no equilíbrio de cores, contraste, saturação e muito mais. Uma vez feitos os ajustes, a imagem HALD editada é convertida em uma LUT. Esta LUT pode então ser aplicada a outras imagens ou filmagens de vídeo, replicando os ajustes de cor em todos os visuais. O resultado é uma gradação de cores consistente e harmonizada que aprimora a estética geral do projeto.

Apesar das muitas vantagens, há considerações a serem lembradas ao trabalhar com imagens HALD. A qualidade e a precisão da gradação de cores alcançáveis com imagens HALD dependem da resolução da própria imagem HALD. Imagens HALD de resolução mais alta permitem uma gradação de cores mais detalhada, mas também requerem mais poder de processamento e espaço de armazenamento. Além disso, a eficácia de uma LUT baseada em HALD em atingir o grau de cor desejado pode variar dependendo do perfil de cor do conteúdo original e das condições de iluminação, necessitando de ajustes ou personalizações na imagem HALD ou na LUT.

A integração de imagens HALD em um fluxo de trabalho digital pode melhorar significativamente a eficiência e a qualidade dos processos de gradação de cores. Por exemplo, em uma produção de filme, criar uma série de imagens HALD adaptadas a diferentes condições de iluminação e configurações de câmera pode facilitar a gradação rápida de cores em várias cenas. Na fotografia, gerar uma imagem HALD específica para o perfil de cores de uma câmera pode agilizar o processo de correção de cores para um grande lote de fotos, garantindo uniformidade e economizando tempo valioso. Além disso, em contextos onde a precisão das cores é fundamental, como em imagens médicas ou representação de cores de marca, as imagens HALD oferecem uma ferramenta para obter uma calibração de cores precisa.

O potencial das imagens HALD vai além de suas aplicações atuais. À medida que o poder computacional aumenta e o software se torna mais avançado, as possibilidades de alavancar imagens HALD em empreendimentos criativos e técnicos se expandirão. Desenvolvimentos futuros podem incluir ferramentas de software mais intuitivas para gerar e editar imagens HALD, algoritmos aprimorados para representação de cores mais precisa e adoção mais ampla em indústrias onde a fidelidade de cores é crítica. Além disso, a integração de inteligência artificial no processamento de imagens HALD poderia automatizar e refinar o processo de gradação de cores, tornando-o mais acessível para iniciantes e profissionais.

No entanto, a proliferação da tecnologia HALD também traz desafios, particularmente em termos de padronização e interoperabilidade. À medida que diferentes fabricantes de software e hardware adotam a tecnologia HALD, garantir a compatibilidade entre plataformas e dispositivos se torna crucial. Sem formatos e procedimentos padronizados para criar, editar e aplicar imagens HALD, os usuários podem enfrentar dificuldades para obter resultados consistentes. Abordar esses desafios exigirá colaboração entre as partes interessadas da indústria para estabelecer padrões comuns que facilitem o uso contínuo de imagens HALD em vários aplicativos.

Outro obstáculo significativo na adoção generalizada de imagens HALD é a educação e a conscientização. Apesar das vantagens técnicas oferecidas pelas imagens HALD, sua complexidade e o conhecimento especializado necessário para gerá-las e usá-las efetivamente podem ser assustadores para muitos usuários em potencial. Para superar essa barreira, o desenvolvimento de recursos educacionais abrangentes e interfaces de software fáceis de usar é essencial. Ao simplificar o processo de trabalhar com imagens HALD e fornecer orientação clara e acessível, fabricantes e desenvolvedores de software podem ampliar o apelo desta ferramenta poderosa.

Concluindo, o formato de imagem HALD representa um avanço significativo no processamento de imagem digital, oferecendo flexibilidade e precisão incomparáveis na gradação de cores. Sua capacidade de encapsular todo o espaço de cores em um formato único e não destrutivo oferece aos profissionais criativos uma ferramenta poderosa para obter esquemas de cores consistentes e harmoniosos em uma variedade de mídias visuais. À medida que a tecnologia evolui, as aplicações potenciais para imagens HALD sem dúvida se expandirão, prometendo desenvolvimentos empolgantes no campo da gradação de cores digitais. No entanto, realizar esse potencial dependerá da superação de desafios relacionados à padronização, interoperabilidade e educação do usuário. À medida que a indústria continua a evoluir, a adoção e o refinamento da tecnologia HALD desempenharão um papel crucial na formação do futuro da imagem digital.

Formatos suportados

AAI.aai

Imagem AAI Dune

AI.ai

Adobe Illustrator CS2

AVIF.avif

Formato de arquivo de imagem AV1

BAYER.bayer

Imagem Bayer bruta

BMP.bmp

Imagem bitmap do Microsoft Windows

CIN.cin

Arquivo de imagem Cineon

CLIP.clip

Máscara de clip de imagem

CMYK.cmyk

Amostras brutas de ciano, magenta, amarelo e preto

CUR.cur

Ícone do Microsoft

DCX.dcx

Paintbrush multi-página IBM PC da ZSoft

DDS.dds

Superfície Direta do Microsoft DirectDraw

DPX.dpx

Imagem SMTPE 268M-2003 (DPX 2.0)

DXT1.dxt1

Superfície Direta do Microsoft DirectDraw

EPDF.epdf

Formato Portátil de Documento Encapsulado

EPI.epi

Formato de Intercâmbio PostScript Encapsulado da Adobe

EPS.eps

PostScript Encapsulado da Adobe

EPSF.epsf

PostScript Encapsulado da Adobe

EPSI.epsi

Formato de Intercâmbio PostScript Encapsulado da Adobe

EPT.ept

PostScript Encapsulado com pré-visualização TIFF

EPT2.ept2

PostScript Nível II Encapsulado com pré-visualização TIFF

EXR.exr

Imagem de alto alcance dinâmico (HDR)

FF.ff

Farbfeld

FITS.fits

Sistema de Transporte de Imagem Flexível

GIF.gif

Formato de intercâmbio de gráficos CompuServe

HDR.hdr

Imagem de alta faixa dinâmica

HEIC.heic

Container de imagem de alta eficiência

HRZ.hrz

Televisão de varredura lenta

ICO.ico

Ícone Microsoft

ICON.icon

Ícone Microsoft

J2C.j2c

Fluxo JPEG-2000

J2K.j2k

Fluxo JPEG-2000

JNG.jng

Gráficos de Rede JPEG

JP2.jp2

Sintaxe de Formato de Arquivo JPEG-2000

JPE.jpe

Formato JFIF do Grupo JPEG de Especialistas Fotográficos

JPEG.jpeg

Formato JFIF do Grupo JPEG de Especialistas Fotográficos

JPG.jpg

Formato JFIF do Grupo JPEG de Especialistas Fotográficos

JPM.jpm

Sintaxe de Formato de Arquivo JPEG-2000

JPS.jps

Formato JPS do Grupo JPEG de Especialistas Fotográficos

JPT.jpt

Sintaxe de Formato de Arquivo JPEG-2000

JXL.jxl

Imagem JPEG XL

MAP.map

Banco de dados de imagem contínua multi-resolução (MrSID)

MAT.mat

Formato de imagem MATLAB nível 5

PAL.pal

Palm pixmap

PALM.palm

Palm pixmap

PAM.pam

Formato bitmap 2D comum

PBM.pbm

Formato de bitmap portátil (preto e branco)

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 Arquivo de Documento Portátil

PFM.pfm

Formato flutuante portátil

PGM.pgm

Formato portable graymap (escala de cinza)

PGX.pgx

Formato JPEG 2000 não compactado

PICT.pict

Apple Macintosh QuickDraw/PICT

PJPEG.pjpeg

Formato JFIF do Grupo JPEG de Especialistas Fotográficos

PNG.png

Portable Network Graphics

PNG00.png00

PNG herdando profundidade de bits, tipo de cor da imagem original

PNG24.png24

24 bits RGB (zlib 1.2.11) opaco ou transparente binário

PNG32.png32

32 bits RGBA opaco ou transparente binário

PNG48.png48

48 bits RGB opaco ou transparente binário

PNG64.png64

64 bits RGBA opaco ou transparente binário

PNG8.png8

8 bits indexado opaco ou transparente binário

PNM.pnm

Portable anymap

PPM.ppm

Formato pixmap portátil (cor)

PS.ps

Arquivo PostScript da Adobe

PSB.psb

Formato de Documento Grande da Adobe

PSD.psd

Bitmap do Photoshop da Adobe

RGB.rgb

Amostras brutas de vermelho, verde e azul

RGBA.rgba

Amostras brutas de vermelho, verde, azul e alfa

RGBO.rgbo

Amostras brutas de vermelho, verde, azul e opacidade

SIX.six

Formato Gráfico SIXEL DEC

SUN.sun

Sun Rasterfile

SVG.svg

Gráficos Vetoriais Escaláveis

TIFF.tiff

Formato de Arquivo de Imagem Etiquetada

VDA.vda

Imagem Truevision Targa

VIPS.vips

Imagem VIPS

WBMP.wbmp

Imagem sem fio Bitmap (nível 0)

WEBP.webp

Formato de imagem WebP

YUV.yuv

CCIR 601 4:1:1 ou 4:2:2

Perguntas frequentes

Como isso funciona?

Este conversor é executado inteiramente no seu navegador. Ao selecionar um arquivo, ele é carregado na memória e convertido para o formato selecionado. Você pode baixar o arquivo convertido.

Quanto tempo leva para converter um arquivo?

As conversões começam instantaneamente e a maioria dos arquivos são convertidos em menos de um segundo. Arquivos maiores podem levar mais tempo.

O que acontece com meus arquivos?

Seus arquivos nunca são enviados para nossos servidores. Eles são convertidos no seu navegador e o arquivo convertido é baixado. Nunca vemos seus arquivos.

Quais tipos de arquivo posso converter?

Suportamos a conversão entre todos os formatos de imagem, incluindo JPEG, PNG, GIF, WebP, SVG, BMP, TIFF e muito mais.

Quanto isso custa?

Este conversor é completamente gratuito e sempre será gratuito. Como ele é executado no seu navegador, não precisamos pagar por servidores, então não precisamos cobrar de você.

Posso converter vários arquivos de uma vez?

Sim! Você pode converter quantos arquivos quiser de uma vez. Basta selecionar vários arquivos ao adicioná-los.