Oui, un seul GPU peut souvent gérer à la fois le transcodage vidéo et l’IA en local, si les moteurs vidéo, la capacité de calcul, la VRAM, l’alimentation et les pilotes disposent d’une marge suffisante.
Le transcodage multimédia peut utiliser des blocs dédiés au décodage et à l’encodage, tandis qu’un modèle IA repose principalement sur des unités de calcul matriciel ou généralistes et conserve ses poids ainsi que son contexte dans la VRAM. Cette séparation permet l’exécution simultanée, mais ne garantit pas l’isolation : les filtres, le mappage des tons, le chargement du modèle, la pression sur la mémoire, les fréquences, les températures et les contextes de pilote partagés peuvent toujours perturber l’autre charge de travail. La réponse doit provenir d’un test simultané progressif effectué sur la carte utilisée.
Confirmez quels moteurs GPU sont utilisés par chaque charge de travail
Lancez un transcodage matériel et relevez l’activité de décodage, d’encodage, de calcul, du contrôleur mémoire, de la VRAM et la consommation électrique. Arrêtez-le, puis lancez une requête IA représentative en prenant les mêmes mesures.
Un serveur multimédia peut utiliser des moteurs vidéo à fonction fixe, tandis qu’un environnement d’exécution IA utilise CUDA, ROCm, oneAPI ou une autre voie de calcul. Cela permet souvent une exécution simultanée, mais l’incrustation des sous-titres, la mise à l’échelle et le mappage des tons peuvent transférer une partie du pipeline vidéo vers le calcul généraliste.
Si la session multimédia n’utilise que le processeur, rétablissez le transcodage matériel avant de tester l’exécution simultanée. Si le modèle IA s’exécute principalement sur le processeur parce qu’il ne tient pas dans la VRAM, la question du GPU partagé devient déjà un problème plus général de mémoire système et de capacité du processeur.
Établissez des références stables pour chaque charge de travail exécutée seule
Mesurez le flux multimédia seul, du démarrage à la reprise, en passant par une scène de pointe et une recherche. Relevez la vitesse de transcodage, l’état du tampon, la charge du moteur GPU, la VRAM, l’utilisation du processeur et la consommation électrique.
Exécutez le modèle IA seul avec la quantification, la taille de contexte, le lot et le niveau de concurrence prévus. Relevez le temps de chargement du modèle, le nombre de jetons par seconde, le délai avant le premier jeton, la VRAM après le chargement et le pic de mémoire à mesure que le contexte s’agrandit. Des utilisateurs d’Ollama ont documenté le déchargement partiel vers le GPU, qu’il faut distinguer d’une configuration de référence entièrement résidente sur le GPU.
Le guide ZimaSpace pour vérifier la compatibilité d’un GPU avec un NAS domestique présente les vérifications du matériel et de l’alimentation à effectuer avant les tests en charge simultanée.
Réservez de la VRAM pour le modèle et le pipeline vidéo
Relevez la VRAM au repos, celle occupée par le modèle chargé, la croissance du contexte et la mémoire supplémentaire allouée au démarrage du décodage vidéo, des filtres et de l’encodage. Prévoyez une marge suffisante au lieu de vous baser sur la capacité indiquée pour la carte.
Les modèles d’IA peuvent rester chargés après une requête et bloquer d’autres tâches GPU. Un problème signalé avec Ollama décrit un modèle resté dans la VRAM jusqu’au redémarrage du service, alors qu’une autre application avait besoin du GPU.
Utilisez une quantification plus faible, un contexte plus court, moins de traitements en parallèle, une durée de conservation plus courte ou un modèle plus petit lorsque le pic combiné approche de la limite de VRAM. Ne considérez pas le recours à la mémoire système comme une capacité équivalente : il peut fortement augmenter la latence et déstabiliser les deux services.
Effectuez un test de charge concurrente par étapes
Lancez le modèle d’IA et attendez qu’il soit chargé en mémoire, puis démarrez un transcodage matériel classique. Ajoutez une longue invite ou une requête d’IA simultanée pendant la lecture d’une scène à débit binaire élevé et observez les deux services pendant plusieurs minutes.
Augmentez un seul paramètre à la fois : un autre flux multimédia, un contexte plus long, une autre requête d’IA, l’incrustation des sous-titres ou le mappage tonal HDR. Notez le premier moment où la vitesse de transcodage passe sous le temps réel, où la lecture subit des interruptions, où la latence de l’IA augmente brusquement ou où le GPU redémarre.
| Défaillance observée | Contrainte commune probable | Test suivant |
|---|---|---|
| Le modèle d’IA ne se charge pas | Réservation de VRAM | Déchargez le modèle ou réduisez sa taille ou celle du contexte |
| La vidéo ne subit des interruptions que pendant la génération | Conflit lié au calcul, à l’alimentation ou aux filtres | Testez un transcodage SDR simple, sans filtres GPU |
| L’IA ralentit, mais la vidéo reste stable | Planification des calculs | Limitez la concurrence de l’IA ou donnez la priorité à la lecture vidéo |
| Les deux conteneurs perdent l’accès au GPU | Défaillance du pilote ou du contexte | Examinez les journaux du noyau et du runtime de conteneur |
La limite pratique correspond à la dernière combinaison qui reste stable au démarrage et pendant les pics d’activité, et non au nombre de sessions qui apparaissent brièvement dans un tableau de bord.
Surveillez les défaillances de pilote et de contexte du conteneur
Exposez délibérément le même GPU physique aux deux conteneurs et vérifiez les identifiants des périphériques, les bibliothèques de pilotes, les versions du runtime et les autorisations. Ne transmettez pas accidentellement des nœuds de rendu différents et ne masquez pas le GPU à l’un des services.
L’accès partagé peut tomber en panne après plusieurs heures de fonctionnement normal. Un rapport sur Ollama dans Docker décrit des erreurs de contexte CUDA et indique que Jellyfin a ensuite perdu l’accès au transcodage matériel NVIDIA jusqu’au redémarrage de son conteneur, illustrant une défaillance du contexte GPU affectant plusieurs services.
Rassemblez les journaux de l’IA, du serveur multimédia, du moteur d’exécution des conteneurs, du noyau et du pilote GPU portant le même horodatage. Le redémarrage d’un conteneur peut rétablir le service, mais la solution durable concerne le pilote, le moteur d’exécution, la mémoire du modèle ou la gestion de la concurrence à l’origine de la panne partagée.
Gérez la présence des modèles en mémoire, les files d’attente et la priorité des services
Déterminez si le modèle doit rester chargé toute la journée ou s’il peut être déchargé après une période d’inactivité. Le maintenir en mémoire réduit la latence avant le premier jeton, mais réserve de la VRAM même lorsque le serveur multimédia a besoin d’une capacité disponible en cas de pic.
Plusieurs applications GPU peuvent techniquement partager un périphérique tout en se faisant fortement concurrence si l’une d’elles consomme presque toute la mémoire. Des utilisateurs de conteneurs NVIDIA ont notamment signalé le cas où un conteneur sature la mémoire GPU alors qu’une autre charge de travail est censée s’exécuter.
Donnez à la lecture multimédia un objectif de service plus strict : limitez le parallélisme de l’IA, mettez les longues générations en file d’attente, déchargez les modèles trop volumineux avant les heures de visionnage en famille ou planifiez le calcul des embeddings par lots. Ne comptez pas sur une priorité CPU générique des conteneurs pour contrôler la mémoire GPU et le comportement d’exécution.
Quand séparer les charges de travail
Gardez un seul GPU lorsque le modèle visé tient avec une marge suffisante, que les transcodages habituels restent plus rapides que le temps réel, que la latence de l’IA est acceptable et que les pannes ne se propagent pas entre les conteneurs. Documentez le modèle testé, le contexte, le nombre de flux et le chemin de filtrage.
Séparez les charges de travail lorsque les grands modèles consomment presque toute la VRAM, que plusieurs utilisateurs transcodent simultanément, que les filtres HDR ou de sous-titres nécessitent des ressources de calcul, que les requêtes d’IA sont sensibles à la latence ou qu’un service doit rester disponible pendant la maintenance des pilotes.
La liste de contrôle ZimaSpace des signes d’alerte de l’IA locale définit le seuil d’arrêt à partir duquel le calcul partagé commence à compromettre la fiabilité fondamentale du stockage et des contenus multimédias du serveur.
Assistance et conseils
À lire aussi

Comment cacher les vidéos pour adultes stockées sur votre NAS à votre famille
Gardez les vidéos pour adultes privées sur un NAS familial. Vérifiez les autorisations des dossiers, l’accès aux bibliothèques Plex et Jellyfin, les vignettes, l’historique...

Ce qu’il faut vérifier avant de charger un modèle communautaire dans Transformers
Utilisez la mise à jour du bac à sable Jinja de Transformers pour examiner la provenance des modèles, les modèles de conversation, le code...

Exécutez Mirage localement : OCR et détection d’objets à partir d’une seule image
Essayez le petit modèle de vision local de Cactus Compute, testez la reconnaissance optique de caractères et l’extraction d’objets à partir de données réelles,...



