新闻详情

新闻详情

首页 / 资讯中心 / 详情

Sunshine 游戏串流服务器 3 步上手:把 PC 游戏串到电视、平板和手机

发布时间:2026/11/16 9:35:32来源:尧图网络
Sunshine 游戏串流服务器 3 步上手:把 PC 游戏串到电视、平板和手机
Sunshine 游戏串流服务器 3 步上手把 PC 游戏串到电视、平板和手机【免费下载链接】SunshineSelf-hosted game stream host for Moonlight.项目地址: https://gitcode.com/GitHub_Trending/su/SunshineSunshine 是一款自托管的游戏串流服务器搭配 Moonlight 客户端能把 PC 上的游戏画面低延迟地串到电视、平板或手机。不订阅云游戏、数据不出局域网硬件编码由你的显卡完成。这篇上手指南覆盖安装、首次登录和第一次串流外加常用参数与高频问题的处理办法。 先想清楚Sunshine 适不适合你这节回答值不值得装。如果你是以下情况它基本就是为你准备的想在大屏电视上玩 PC 游戏想把主机电脑变成全家可用的游戏中心讨厌云游戏的订阅费和画质损失。反过来如果你希望关着电脑也能玩纯云方案、或宿主是 macOS 且依赖手柄操作就要慎重——macOS 版本仍是实验性的手柄模拟不可用。各宿主平台的能力边界如下宿主平台成熟度编码与输入Windows最完整NVENC / AMF / QuickSync 等手柄模拟最全Linux成熟VAAPI / NVENC 等Wayland 下建议 KMS 捕获macOS实验性VideoToolbox 硬件编码手柄暂不支持 动手前的准备清单装之前花两分钟对照这张表能省掉后面八成麻烦检查项建议标准说明宿主显卡支持硬件编码的独立显卡没有独显可退软件编码但占用 CPU 明显网络宿主千兆有线客户端 5GHz WiFi 或有线串流对丢包比带宽更敏感客户端电视/手机/平板装任意 Moonlight 客户端需与宿主同一局域网或自行做内网穿透宿主状态串流期间保持开机且显卡有余量Sunshine 是把本地 PC 变服务器不是云服务自查提示宿主 PC 别同时跑高负载任务串流画质问题多半出在网络和编码环节。 三步跑起来安装、登录、第一次串流安装并启动 SunshineWindows 用户从发行版下载 MSI 安装程序双击安装最省事Linux/macOS 可以直接用包管理器一次命令解决winget install LizardByte.Sunshine # Windows sudo apt install sunshine # Debian/Ubuntu flatpak install flathub dev.lizardbyte.app.Sunshine # 其他 LinuxLinux 下让服务随系统自启systemctl --user --now enable app-dev.lizardbyte.app.SunshineWindows 安装器默认已注册为后台服务不用额外操作。登录 Web UI 并完成第一次串流浏览器打开https://localhost:47990不安全警告来自自签名证书可忽略首次启动会要求你创建用户名和密码——务必记下来忘记可用sunshine --creds重置。接着在应用页添加第一个游戏或Desktop桌面项然后在 Moonlight 客户端里手动输入宿主 IP 添加该 PC当 Moonlight 索要 PIN 码时回到 Web UI 顶部 PIN 处输入确认即可。添加好应用后Moonlight 里点一下就能开始串流鼠标键盘手柄会同步进画面。⚙️ 把体验调到最佳3 个最值钱的参数调优不用碰几十个选项先动这三个全部在 Web UI 的 Audio/Video 页搜索即可。max_bitrate单位 Kbps上限为 0 表示完全跟随 Moonlight 请求。局域网 1080p/60fps 建议给250001440p 或高刷可给到50000客户端带宽一般时先降它再降画质。minimum_fps_target锁帧目标60是最稳妥的起点客户端支持 120Hz 再填120能避免帧率在 30/60 之间抖动。网络侧客户端优先 5GHz WiFi 或有线宿主到客户端路径中若存在明显瓶颈如宿主 2.5G 网卡对端百兆降低max_bitrate往往比换路由器见效更快。️ 遇到问题怎么办4 个高频问题速查Moonlight 发现不了主机→ 多半是防火墙拦了串流端口或两台设备不在同一网段 → 放行 47984、47990、47998 端口或直接在 Moonlight 里手填宿主 IP。忘了 Web UI 的账号密码→ 初始密码没抄写下来的常见结局 → 停掉服务后执行sunshine --creds 新用户名 新密码重置。画面能进但手柄/键盘没反应→ 虚拟输入设备权限缺失Linux 需把运行用户加入input组Windows 则在 Web UI 的 Input 页选择手柄驱动后端后重启电脑。间歇性卡顿、提示 buffer overrun→ 宿主发流是每 16ms 一个突发包慢网段缓冲溢出丢包 → 用iperf3测一下丢包控制在 5% 以内、抖动 1ms 以下不达标就降max_bitrate或改有线。拿不准时看 Web UI 的 Troubleshooting 页每条警告都能点开看详情 结语与延伸阅读装好 Sunshine 之后你的 PC 就已经是私人云游戏平台了本地部署、免费、可完全掌控。接下来按需深入安装与首次配置全流程完整配置项参考故障排查手册性能调优指南【免费下载链接】SunshineSelf-hosted game stream host for Moonlight.项目地址: https://gitcode.com/GitHub_Trending/su/Sunshine创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉