SSD Nodes Learn Hosting plans →
Guias Matt ConnorPor Matt Connor

Jellyfin com transcodificação NVIDIA no Docker

Configure NVENC e NVDEC no Jellyfin com Docker Compose, valide o acesso à GPU no contentor e confirme a transcodificação real usando nvidia-smi.

O que você está a configurar

A transcodificação de hardware do Jellyfin numa GPU NVIDIA tem 4 etapas, sempre pela mesma ordem. Apenas a última ocorre dentro do Jellyfin. O contentor não consegue ver uma GPU cujo controlador não tenha sido carregado pelo host. O Jellyfin não consegue usar uma GPU que o contentor não consiga ver. Siga esta ordem. Assim, cada falha terá um local claro para investigação.

  1. Instale o controlador NVIDIA no host e confirme a instalação com nvidia-smi.
  2. Instale o NVIDIA Container Toolkit para que o Docker possa disponibilizar uma GPU a um contentor.
  3. Reserve a GPU para o serviço Jellyfin em docker-compose.yml e confirme depois que o contentor consegue vê-la.
  4. Ative o NVENC e o NVDEC nas definições de reprodução do próprio Jellyfin e confirme que uma reprodução real os utiliza.

O NVENC (codificador NVIDIA) e o NVDEC (descodificador NVIDIA) são blocos de função fixa da placa. São circuitos separados dos núcleos de shaders que executam tarefas CUDA (compute unified device architecture). Esta separação é a razão principal para utilizar esta configuração: um fluxo que consome vários núcleos da CPU por software passa a consumir apenas uma pequena fração de um núcleo e um bloco de hardware dedicado da GPU.

A reprodução direta é melhor do que qualquer transcodificação, portanto verifique isso primeiro

Antes de configurar qualquer componente, descubra se existe um motivo para a transcodificação que possa ser simplesmente eliminado. O Jellyfin faz a transcodificação quando o cliente não consegue reproduzir o arquivo como está. O motivo quase sempre está em uma lista curta: o codec de vídeo, o codec de áudio, o formato do contêiner, legendas baseadas em imagens, um limite de bitrate solicitado pelo cliente ou uma resolução ou outra restrição informada pelo cliente.

Abra Dashboard, depois Playback, e monitore uma sessão ativa enquanto algo é reproduzido. Uma sessão marcada como Direct playing envia o arquivo sem alterações e quase não consome CPU. Uma sessão marcada como Transcoding mostra o motivo escolhido pelo Jellyfin. Remova esse motivo e a GPU não precisará ser executada.

Duas alterações eliminam a maior parte das transcodificações. Defina a qualidade do aplicativo cliente como Auto ou no valor máximo, porque um cliente que solicita 4 Mbps força a recodificação de um arquivo de 20 Mbps, independentemente do codec usado. Depois, use um aplicativo cliente nativo em vez de uma aba do navegador, porque o navegador é o reprodutor mais limitado disponível, enquanto um aplicativo nativo na mesma TV geralmente reproduz diretamente o mesmo arquivo.

Legendas baseadas em imagens só precisam ser incorporadas ao vídeo quando o cliente não consegue renderizá-las diretamente. Legendas PGS extraídas de um Blu-ray e VOBSUB extraídas de um DVD são imagens, mas clientes compatíveis as exibem sem recodificar o vídeo; o reprodutor integrado do Jellyfin para Android oferece suporte direto a PGS. Legendas de texto em SRT são enviadas separadamente quando o cliente oferece suporte a elas. Converter faixas de legenda em texto é útil quando a compatibilidade das legendas está forçando a incorporação ao vídeo. O restante da configuração no lado do servidor está descrito em o guia para executar um servidor de mídia Jellyfin em um VPS.

A maioria dos planos VPS não tem GPU

Os planos VPS standard não incluem GPU. Execute isto no servidor antes de planear qualquer outra coisa.

lspci -nn | grep -Ei "3d|display|vga"

Num VPS KVM típico, este comando apresenta um adaptador de vídeo virtual fornecido pelo hypervisor, ou não apresenta nada útil. Esse dispositivo não consegue codificar vídeo. Só existe uma GPU real quando o fornecedor faz passthrough de uma placa física para a sua instância ou lhe atribui uma parte dela. Esses planos têm preços ajustados a essa capacidade. Que cargas de trabalho justificam realmente pagar por um VPS com GPU explica quem deve ou não deve escolher essa opção.

Se não houver GPU, privilegie o direct play e considere a transcodificação por software uma exceção. Uma única transcodificação H.264 1080p por software exige muitos recursos, mas pode funcionar com alguns núcleos de CPU. Uma transcodificação 4K HDR por software com tone mapping não é algo que um VPS pequeno consiga concluir em tempo real. Por isso, o stream fica intermitente enquanto a CPU permanece a 100 percent.

Instalar o driver NVIDIA no host

O Jellyfin 10.11 documenta o driver NVIDIA 520.56.06 como versão mínima no Linux. A build jellyfin-ffmpeg instalada pode exigir um driver mais recente; o log de transcodificação indica o mínimo quando a API NVENC do driver é demasiado antiga. O Ubuntu inclui um utilitário que seleciona automaticamente um pacote compatível.

sudo ubuntu-drivers list --gpgpu
sudo ubuntu-drivers install --gpgpu
sudo reboot

--gpgpu seleciona a variante de servidor headless do driver. É a opção adequada para um servidor multimédia porque não existe um ambiente gráfico no sistema. O comando de listagem mostra as branches disponíveis e pode fixar uma pelo nome, por exemplo sudo ubuntu-drivers install --gpgpu nvidia:570-server. Use uma branch que tenha sido efetivamente apresentada pela lista, não a que aparece neste exemplo.

A variante de servidor nem sempre instala nvidia-smi. Instale o pacote de utilitários correspondente à branch escolhida, por exemplo sudo apt install nvidia-utils-570-server. Depois, verifique o driver.

nvidia-smi

Um resultado correto apresenta uma tabela com a versão do driver e a versão do CUDA no cabeçalho, além de listar a placa pelo nome. A lista de processos mostra os processos que usam recursos GPU de Compute, Graphics ou Other; pode conter entradas numa GPU saudável, e uma lista vazia significa que não foram reportados processos GPU. Existem duas falhas comuns nesta etapa. nvidia-smi: command not found significa que falta o pacote de utilitários, não o driver. NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver significa que o módulo do kernel não está carregado. Numa instalação recente, isso quase sempre significa que ainda não reiniciou o sistema ou que o Secure Boot está a impedir o carregamento de um módulo não assinado. Confirme a presença do módulo com lsmod | grep nvidia. Se esse comando não produzir saída e sudo modprobe nvidia falhar com Key was rejected by service, o Secure Boot está a bloquear o módulo. limpar a rejeição da chave do Secure Boot explica como verificar o estado do firmware e, em seguida, inscrever uma chave de proprietário da máquina ou desativar a validação.

Instalar o NVIDIA Container Toolkit

O driver permite que o host utilize a GPU. O Docker continuará sem a passar para um contentor, porque o contentor não tem os nós de dispositivo nem as bibliotecas do driver. O NVIDIA Container Toolkit injeta ambos no arranque do contentor. Estes comandos seguem os passos de instalação da NVIDIA para Debian e Ubuntu. O guia atual da NVIDIA também fixa os pacotes do toolkit numa única versão através de uma variável de versão; se essa fixação for omitida, como aqui, será instalada a versão mais recente disponível no repositório.

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg
curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

Instalar o pacote não é suficiente, porque é necessário indicar ao Docker que o runtime existe.

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

nvidia-ctk runtime configure escreve uma entrada de runtime nvidia em /etc/docker/daemon.json. O reinício é a parte que muitas pessoas ignoram, e ignorá-lo produz o erro mais comum de toda esta configuração. Teste a ligação entre os componentes antes de alterar o Jellyfin.

sudo docker run --rm --runtime=nvidia --gpus all ubuntu nvidia-smi

Isto deve apresentar a mesma tabela que o host apresentou. Se, em vez disso, falhar com um erro a indicar que não foi possível selecionar um device driver com capacidades de GPU, o daemon do Docker não conhece o runtime nvidia; execute novamente o comando de configuração e reinicie o daemon.

Dê acesso à GPU ao contêiner Jellyfin no Docker Compose

Esta é a forma moderna do Compose. Ela se baseia no exemplo publicado pelo Jellyfin e declara explicitamente as duas variáveis de ambiente da NVIDIA.

services:
  jellyfin:
    image: jellyfin/jellyfin
    container_name: jellyfin
    user: 1000:1000
    network_mode: host
    restart: unless-stopped
    environment:
      - NVIDIA_VISIBLE_DEVICES=all
      - NVIDIA_DRIVER_CAPABILITIES=all
    volumes:
      - /srv/jellyfin/config:/config
      - /srv/jellyfin/cache:/cache
      - /srv/media:/media:ro
    runtime: nvidia
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]

Inicie o contêiner e consulte-o diretamente.

docker compose up -d
docker compose exec jellyfin nvidia-smi

Se isso exibir a tabela de drivers dentro do contêiner, a GPU está visível e a biblioteca de gerenciamento funciona. Ainda é necessário verificar as bibliotecas de vídeo e uma transcodificação real.

Quatro linhas desse arquivo precisam de explicação. capabilities: [gpu] é exigido pelo próprio Compose. Se você o omitir, o Compose recusará o serviço em vez de iniciá-lo sem uma GPU. NVIDIA_DRIVER_CAPABILITIES=all é importante porque o toolkit só monta as bibliotecas de vídeo no contêiner quando o recurso de vídeo é solicitado. Quando a variável não está definida, o padrão inclui apenas os recursos de utilitários e computação. A imagem oficial do Jellyfin já define essa variável. Portanto, nessa imagem, a linha protege contra qualquer sobrescrita. A documentação do Jellyfin informa que você precisa adicioná-la se criar sua própria imagem. Sem o recurso de vídeo, o CUDA funciona, mas o NVDEC não. O log de transcodificação informa Cannot load libnvcuvid.so.1. network_mode: host é o valor usado pelo próprio exemplo do Jellyfin para NVIDIA. O guia de contêineres do Jellyfin considera opcional o uso da rede do host, mas exige essa configuração para DLNA. Se você usar uma rede bridge, publique manualmente 8096/tcp e a porta de descoberta automática 7359/udp.

user: 1000:1000 é a última variável. Ela não tem relação com a GPU. Ela determina quais arquivos o Jellyfin pode ler no ponto de montagem da mídia. Uma incompatibilidade nesse valor aparece como uma biblioteca vazia, e não como um erro de permissões. Como PUID e PGID associam um usuário do contêiner aos arquivos no disco explica a numeração. É a mesma numeração que você já definiu se executar a stack do Sonarr e do Radarr no Docker Compose ao lado desta.

Por que a maioria dos tutoriais ainda escreve runtime: nvidia

A forma antiga aparece em quase todos os guias que encontrará e não está errada. É uma questão histórica. O pacote nvidia-docker2 original registava um runtime OCI chamado nvidia, e o caminho baseado em variáveis de ambiente usava NVIDIA_VISIBLE_DEVICES com esse runtime, selecionado por --runtime=nvidia ou definido como runtime padrão do Docker. O Docker 19.03 adicionou a flag --gpus e uma API própria para pedidos de dispositivos. O Compose demorou mais tempo a acompanhar essa mudança. Quando o fez, o pedido de dispositivo foi incluído em deploy.resources.reservations.devices, uma chave que a maioria das pessoas aprendeu a ignorar porque deploy costumava significar Docker Swarm.

O resultado é que as duas formas funcionam atualmente, e o exemplo publicado do Jellyfin inclui ambas ao mesmo tempo. Manter runtime: nvidia não tem custo e faz o ficheiro funcionar em versões mais antigas do Compose. Se mantiver apenas runtime: nvidia e remover o bloco deploy, deverá manter NVIDIA_VISIBLE_DEVICES=all, porque esse caminho legado lê a variável de ambiente para decidir que dispositivos deve injetar e não tem um pedido de dispositivo alternativo para consultar.

Ative a transcodificação por hardware NVIDIA no Jellyfin

Até agora, nada indicou ao Jellyfin que deve usar a placa. Aceda a Dashboard, depois a Playback e, em seguida, a Transcoding. Defina Hardware acceleration como Nvidia NVENC. Ative Enable hardware encoding. Caso contrário, o Jellyfin descodifica na GPU e codifica na CPU. Este é o estado intermédio confuso em que a GPU apresenta atividade e a CPU continua sobrecarregada.

Ative Enable enhanced NVDEC decoder. Esta opção alterna entre o caminho NVDEC atual e o caminho CUVID antigo. Deixe-a ativada. O processamento de Dolby Vision precisa dela ativada para usar NVDEC.

Em Enable hardware decoding for, ative apenas os codecs que a sua placa consegue realmente descodificar. Esta é a definição que costuma ser configurada incorretamente. Ativar AV1 numa placa sem descodificador AV1 pode solicitar a descodificação por hardware e falhar com Hardware is lacking required capabilities. Uma seleção não suportada não garante um fallback para a descodificação por software.

Existe ainda uma limitação aplicável a toda a página: a aceleração por hardware só é totalmente suportada com a build jellyfin-ffmpeg incluída. A documentação do Jellyfin avisa que binários FFmpeg provenientes de qualquer outro local resultam em aceleração parcial. Por isso, se apontou o caminho do FFmpeg para um FFmpeg do sistema, altere-o novamente.

Quais codecs a sua geração de GPU consegue decodificar e codificar

Estes são os limites documentados pelo Jellyfin para NVENC e NVDEC. Decodificação e codificação são capacidades separadas, e uma placa pode ter uma delas sem ter a outra.

  • H.264 de 8 bits: todas as GPUs NVIDIA com NVENC e NVDEC decodificam e codificam esse formato.
  • HEVC de 8 bits: decodificação e codificação a partir da segunda geração Maxwell (GM206) e posteriores.
  • HEVC de 10 bits: decodificação a partir da segunda geração Maxwell e posteriores; nessa geração, apenas as variantes GM206 têm esse recurso. A codificação só está disponível a partir da geração Pascal.
  • AV1: decodificação a partir da geração Ampere, exceto o chip de data center GA100 (a tabela de decodificação da NVIDIA também lista Hopper sem decodificação AV1), e codificação a partir da geração Ada Lovelace, compatível com o Jellyfin a partir da versão 10.9.

A separação do HEVC de 10 bits é a que causa problemas na prática. Uma placa Maxwell baseada em GM206 decodifica o seu arquivo 4K HDR na GPU, mas não consegue codificar uma saída de 10 bits. Ela oferece suporte à codificação de H.264 de 8 bits e HEVC de 8 bits. Os outros chips Maxwell não decodificam HEVC de 10 bits por hardware. O Jellyfin seleciona o codec de saída com base nas capacidades do cliente e nas configurações de codificação; o caminho de transcodificação HEVC força o perfil Main de 8 bits. Escolha a saída AV1 apenas para clientes compatíveis com esse formato.

Por que o tone mapping sobrecarrega silenciosamente a GPU

O tone mapping de HDR (high dynamic range) para SDR (standard dynamic range) é a configuração que esgota silenciosamente a capacidade da GPU, e o motivo é arquitetural. A descodificação é executada no NVDEC. A codificação é executada no NVENC. O tone mapping não é executado por nenhum dos dois: é um filtro CUDA que corre nos núcleos de shaders, a mesma parte de uso geral da GPU que executa cargas de computação. Assim, um stream 4K HDR que precise de tone mapping utiliza o descodificador e o codificador, e também carrega os shaders.

A documentação do Jellyfin indica que o tone mapping CUDA está disponível em todas as GPUs NVIDIA que conseguem descodificar HEVC de 10 bits. Isto significa que a opção aparece e funciona em placas que não conseguem mantê-lo a 4K. O sintoma é um stream que começa, fica em buffer e nunca estabiliza, enquanto nvidia-smi indica que o codificador está praticamente inativo.

Por isso, vale a pena monitorizar separadamente a carga dos shaders.

nvidia-smi dmon -s u

Isto apresenta uma linha por segundo, com colunas separadas para sm, enc e dec. Valores baixos de enc e dec junto de um valor elevado de sm apontam para os shaders, e não para os blocos de função fixa. Nesse caso, tone mapping, redimensionamento ou incorporação de legendas são as causas prováveis da carga. Considere isto uma indicação, não uma prova: a NVIDIA define a utilização da GPU como a fração do período de amostragem durante a qual pelo menos um kernel estava a ser executado. Portanto, um valor elevado indica que os shaders estavam ocupados, mas não que estavam saturados. O caminho CUDA também processa Dolby Vision profile 5 com zero copy. Isto é importante porque, sem zero copy, os frames são transferidos para a memória do sistema e novamente para a GPU entre as etapas do filtro. Essa ida e volta consome largura de banda em todos os frames.

O que o limite de sessões NVENC para consumidores realmente limita

GráficoNVENC engines and concurrent encode session cap, NVIDIA published support matrix, October 2026
Os dados por trás deste gráfico
[
  {
    "label": "GeForce RTX 5090",
    "nvenc_engines": 3,
    "max_encode_sessions": 12
  },
  {
    "label": "GeForce RTX 4090",
    "nvenc_engines": 2,
    "max_encode_sessions": 12
  },
  {
    "label": "GeForce RTX 4060",
    "nvenc_engines": 1,
    "max_encode_sessions": 12
  }
]

Estes são os valores publicados pela NVIDIA na matriz de outubro de 2026, não medições feitas aqui. A política da NVIDIA limita a 12 o número combinado de sessões de codificação simultâneas em todas as placas GeForce de um sistema, independentemente dos modelos. O limite está no driver, não no silício, e a NVIDIA já o aumentou mais de uma vez ao longo dos anos. Por isso, consulte a matriz atual em vez de uma publicação antiga num fórum. O número de engines é o aspeto que realmente varia conforme a placa: a GeForce RTX 5090 tem 3 engines NVENC, enquanto a GeForce RTX 4060 tem 1. Mais engines significam maior capacidade de codificação em paralelo, não um limite de sessões mais elevado.

O limite conta as sessões de codificação, incluindo codificações de vídeo fora do Jellyfin. Direct play e remuxing nunca abrem uma sessão de codificação. Placas de data center, como a L4, aparecem como sem restrições na mesma matriz, mas modelos como a A100 e a H100 não têm encoder NVENC. Por isso, confirme a placa exata num plano de GPU VPS.

Quando atinge esse limite, a transcodificação falha e o log do FFmpeg contém OpenEncodeSessionEx failed: out of memory (10). A mensagem menciona memória, mas uma recusa por limite de sessões comunica o mesmo código. Por isso, verifique o número de streams simultâneos antes de procurar uma fuga de VRAM. Na prática, a maioria das pessoas atinge o limite de tone mapping ou da largura de banda de upload muito antes da sessão 12.

Comprove que a GPU está a fazer a transcodificação; não confie na configuração

Uma definição guardada não é uma prova. Reproduza um ficheiro que saiba que força uma transcodificação e faça depois estas três verificações.

  1. Abra Dashboard e, em seguida, Playback. A sessão ativa deve indicar Transcoding e apresentar o motivo. Se indicar Direct playing, nada está a ser transcodificado e está a testar o ficheiro errado.
  2. Abra Dashboard e, em seguida, Logs, e abra o log FFmpeg.Transcode mais recente. Uma transcodificação completa por hardware apresenta -hwaccel cuda e -hwaccel_output_format cuda na linha de comandos, com um codificador NVENC como h264_nvenc ou hevc_nvenc, ou o codificador AV1 NVENC em Ada Lovelace e versões posteriores. Se aparecer libx264, a codificação está a ser executada por software, independentemente do que indicar a página de definições. A ausência de -hwaccel cuda com um codificador NVENC significa que a descodificação está a ser executada por software.
  3. Execute nvidia-smi no host enquanto a reprodução continua. Deve aparecer um processo de /usr/lib/jellyfin-ffmpeg/ffmpeg com memória da GPU alocada, e nvidia-smi dmon -s u deve apresentar valores diferentes de zero nas colunas enc e dec.

Execute esta terceira verificação no host, não dentro do contentor. nvidia-smi executado dentro de um contentor normalmente apresenta uma lista de processos vazia porque não consegue ver os IDs de processos fora do seu próprio namespace, enquanto os valores de utilização continuam corretos. Uma lista de processos vazia dentro do contentor não indica uma falha.

Quando recorre a software sem o indicar

O Jellyfin seleciona um codificador de software quando a codificação por hardware está desativada ou quando o codificador de hardware solicitado não está disponível. Um caminho de hardware que falha durante a reprodução também pode fazer a transmissão falhar, por isso leia o log do FFmpeg em vez de assumir que todas as falhas recorrem a software.

Cannot load libnvcuvid.so.1 no log de transcodificação significa que o carregador dinâmico não conseguiu carregar a biblioteca do descodificador. A mensagem, por si só, não confirma se a biblioteca foi montada. Verifique NVIDIA_DRIVER_CAPABILITIES=all, as bibliotecas de controladores do contentor e as ligações dinâmicas. Se alterar o ambiente, recrie o contentor com docker compose up -d; um simples reinício mantém as definições antigas.

No capable devices found de h264_nvenc significa que o FFmpeg chegou à biblioteca do codificador, mas não encontrou nenhuma placa utilizável. Verifique docker compose exec jellyfin nvidia-smi novamente e leia as mensagens de log anteriores para identificar falhas relacionadas com o dispositivo e as capacidades do codificador.

Um uso elevado do CPU com a GPU pouco ocupada é motivo para verificar quais as fases que usam software. Desmarque os codecs que a sua geração não consegue descodificar, reproduza o mesmo ficheiro e leia novamente o log do FFmpeg para verificar se -hwaccel cuda aparece. Se aparecer e o CPU continuar ocupado, procure uma fase que o Jellyfin não consiga executar na GPU, como a gravação de legendas de imagem na transmissão.

Uma transcodificação que começa e depois fica bloqueada em 4K HDR, enquanto 1080p funciona corretamente, normalmente atingiu o limite do tone mapping, e não indica uma instalação danificada. Monitorize a coluna sm em nvidia-smi dmon -s u e reproduza novamente o mesmo ficheiro com o tone mapping desativado: se a transmissão estabilizar, o tone mapping era o limite. Depois, reduza a resolução solicitada pelo cliente ou mantenha os ficheiros 4K HDR em clientes que consigam reproduzi-los diretamente.

FAQ

Por que o Jellyfin continua usando a CPU depois que ativei o NVENC?

Verifique o log mais recente do FFmpeg.Transcode em Dashboard e depois em Logs. Se ele mostrar libx264, a codificação está sendo executada por software. Se -hwaccel cuda também estiver ausente, verifique o decodificador selecionado no comando e execute docker compose exec jellyfin nvidia-smi para confirmar a visibilidade da GPU. Se -hwaccel cuda aparecer ao lado de libx264, o comando solicita decodificação pela GPU com codificação por software; verifique Enable hardware encoding e se o Jellyfin detecta o codificador de hardware solicitado. A presença das flags, por si só, não prova que a decodificação pela GPU foi bem-sucedida. Se ele mostrar h264_nvenc sem -hwaccel cuda, verifique se o codec do arquivo está marcado em Enable hardware decoding for. Marcar um codec que sua placa não consegue decodificar pode gerar um erro do decodificador de hardware, em vez de usar um fallback por software. Se ambos estiverem presentes e a CPU continuar ocupada, a carga vem de uma etapa que permanece na CPU, como a gravação das legendas na imagem.

Ainda preciso da linha runtime: nvidia no Docker Compose?

Não, se você tiver o bloco deploy.resources.reservations.devices e uma versão atual do Docker Compose. Esse bloco é a forma moderna de solicitar dispositivos e faz o mesmo trabalho. runtime: nvidia é o caminho mais antigo, da época de nvidia-docker2; ele ainda funciona, e o exemplo publicado pelo próprio Jellyfin mantém ambos. Manter os dois não causa problemas. Manter apenas runtime: nvidia significa que você também precisa manter NVIDIA_VISIBLE_DEVICES=all, porque esse caminho não tem uma solicitação de dispositivo para interpretar e obtém a lista de dispositivos do ambiente.

Quantos streams uma única GPU NVIDIA consegue transcodificar ao mesmo tempo?

A política publicada pela NVIDIA limita as placas GeForce a doze sessões de codificação simultâneas por sistema, combinadas, em outubro de 2026; placas de data center, como a L4, são listadas como sem limite, enquanto alguns modelos de data center não têm codificador NVENC. Esse limite raramente é o que interrompe a transcodificação. O mapeamento de tons de HDR para SDR é executado nos shader cores, e não no NVENC, portanto adiciona um limite de desempenho separado. Meça o seu caso com nvidia-smi dmon -s u e monitore a coluna sm, não a contagem de sessões.

Posso usar transcodificação por hardware em uma VPS sem GPU?

Não. A codificação precisa do bloco físico NVENC, e lspci -nn | grep -Ei "3d|display|vga" em uma VPS padrão mostra apenas um adaptador de vídeo virtual fornecido pelo hypervisor. Em um plano sem GPU, a resposta prática é remover as transcodificações: aumente a configuração de qualidade do cliente para Auto, use um aplicativo cliente nativo em vez de um navegador e use um cliente que renderize diretamente suas legendas baseadas em imagem ou converta-as em texto quando a compatibilidade das legendas exigir a gravação delas na imagem.

Por que 4K HDR apresenta travamentos quando a transcodificação de 1080p funciona normalmente?

As duas cargas de trabalho usam partes diferentes da placa. Uma transcodificação SDR de 1080p usa principalmente decodificação e codificação, ambas em hardware de função fixa quando sua placa oferece suporte ao codec, além de qualquer redimensionamento, desentrelaçamento ou gravação de legendas na imagem necessária para o stream. Um stream 4K HDR adiciona o mapeamento de tons, que é um filtro CUDA executado nos shader cores, além de um quadro muito maior para redimensionar. nvidia-smi dmon -s u mostrando enc e dec baixos ao lado de sm alto aponta nessa direção, porque os blocos de função fixa estão pouco carregados enquanto os shaders estão ocupados. Reproduzir o arquivo com o mapeamento de tons desativado confirma isso.

Este artigo foi útil?