摩尔线程打通主流视频编解码生态，加速国产GPU多媒体应用落地
内容提要
摩尔线程为FFmpeg、PyNvVideoCodec、TorchCodec三个开源项目完成MUSA平台原生支持，覆盖视频编解码、硬件加速与转码，为多媒体处理、Python视频开发和PyTorch视频AI提供国产GPU加速，降低迁移成本，项目已在GitHub开源。
延伸解读
生态兼容：降低迁移成本的关键
摩尔线程为FFmpeg、PyNvVideoCodec、TorchCodec完成MUSA平台原生支持，意味着开发者可以沿用熟悉的视频处理接口和开发方式，在摩尔线程全功能GPU上继续使用原有应用。这种广泛的接口兼容降低了应用迁移成本，为现有视频应用向国产GPU平台迁移提供了底层技术支撑，有助于拓展国产GPU在视频全产业链中的实际应用场景。
FFmpeg支持：多媒体处理路径的拓展
FFmpeg的MUSA后端支持H.264、HEVC、AV1等格式的硬件编码，以及H.264、HEVC、VP9、AV1等格式的硬件解码，并支持基于MUSA的硬件上下文和硬件帧处理。此外，还支持图像缩放、画面叠加、填充、色彩空间转换、缩略图生成和去隔行等视频滤镜操作，可广泛用于视频转码、帧抽取、视频分析和视觉AI预处理等场景。
Python与PyTorch：视频AI数据流程的完善
PyNvVideoCodec的MUSA后端使Python应用能调用摩尔线程GPU进行解码、编码和转码，支持视频文件和内存缓冲区解码、顺序读取、随机访问、按索引或时间采样、多线程解码，以及基于DLPack的视频帧数据交换。TorchCodec的MUSA设备后端则让开发者以张量形式获取视频帧，用于视频分类、动作识别、视频检索和多模态理解等AI任务，并接入模型训练的数据加载流程。
开源共建：国产GPU多媒体生态的推进
FFmpeg、PyNvVideoCodec、TorchCodec的MUSA后端项目已在GitHub开源，开发者可获取代码、文档和示例进行验证与适配。摩尔线程面向主流多媒体工具与框架提供MUSA后端支持，不仅为现有视频应用迁移提供保障，也为视频云服务、直播转码、智能媒体分析、内容生产和视频AI等场景提供了更多硬件平台选择，标志着MUSA统一系统架构全面兼容主流视频编解码生态。
Q&A
摩尔线程最近在视频编解码生态方面做了哪些兼容工作？
摩尔线程完成了FFmpeg、PyNvVideoCodec、TorchCodec三个开源项目的MUSA平台原生支持，覆盖视频编码、解码、硬件加速和转码处理等核心环节。
FFmpeg的MUSA后端支持哪些视频格式的硬件编解码？
FFmpeg的MUSA后端支持H.264、HEVC、AV1等格式的硬件编码，以及H.264、HEVC、VP9、AV1等格式的硬件解码，并支持基于MUSA的硬件上下文和硬件帧处理。
PyNvVideoCodec的MUSA后端为Python开发者提供了哪些视频处理能力？
PyNvVideoCodec的MUSA后端使Python应用能调用摩尔线程GPU的硬件视频处理能力，支持视频文件和内存缓冲区解码、顺序读取、随机访问、按索引或时间采样、多线程解码，以及基于DLPack的视频帧数据交换。
TorchCodec的MUSA后端如何帮助PyTorch视频AI任务？
TorchCodec的MUSA后端让开发者通过熟悉的调用方式使用摩尔线程GPU进行视频编解码，并以张量形式获取视频帧，用于视频分类、动作识别、视频检索和多模态理解等AI任务，并接入模型训练的数据加载流程。
这些MUSA后端项目在哪里可以获取？
FFmpeg、PyNvVideoCodec、TorchCodec的MUSA后端项目已在GitHub开源，开发者可访问项目地址获取代码、文档和示例。
摩尔线程兼容主流视频编解码生态对开发者有什么好处？
开发者可沿用熟悉的视频处理接口和开发方式，在摩尔线程全功能GPU平台上继续使用原有的多媒体与AI应用，降低应用迁移成本，并拓展国产GPU在视频全产业链中的应用场景。
