序文：日本語が消える？戯言を申すな！

Fish Speech 1.5 は、10万時間を超える日本語データで鍛え上げられた素晴らしいモデルでござる。
しかし、そのまま導入して「こんにちは」と入力しても、城内（コード内部）に潜む「検閲官」どもが日本語をノイズとみなして勝手に消去し、虚無（無音）を生成する事態が多発しておる。

本記事では、最新の Mac M4 Pro において、不届きな役人（バグ・仕様）を「御免状パッチ」で根こそぎ成敗し、勝利の音声を響かせるまでの手順を認め（したため）た。

第零章：土台（Conda）の築城

まずは馬（Python実行環境）を飼わねばならぬ。Mac M4 Pro（Apple Silicon）に最適化された Miniconda を導入せよ。

インストーラーの奪取:
Miniconda公式サイトより、M1/M2/M3/M4 (Apple Silicon) 用の pkg または sh ファイルを拾いなされ。
儀式の実行:
ターミナルで以下を叩き、道筋（パス）を通すのじゃ。

# インストール（例：shファイルの場合）
bash Miniconda3-latest-MacOSX-arm64.sh
# 初期化
source ~/miniconda3/bin/activate
conda init zsh

一度ターミナルを閉じ、再び開いて左端に (base) と出れば成功でござる！

第一章：城（環境）の構築と「時の固定」

最新の main ブランチは日々仕様が変わる魔境。まずは時を戻し、安定版に固定するのが兵法の定石でござる。

1. 陣の設営

# プロジェクトのクローン
git clone https://github.com/fishaudio/fish-speech.git
cd fish-speech

# 【最重要】v1.5.0 のタグにチェックアウトせよ！
# これを忘れると、最新の仕様変更（引数エラーなど）に翻弄されることになる。
git checkout v1.5.0

# 仮想環境の作成（conda推奨）
conda create -n fish-speech python=3.10
conda activate fish-speech

# 依存関係のインストール
pip install -e .
pip install torch torchaudio torchvision

2. 武器（モデル）の調達と「大八車」の用意

モデルを Hugging Face から引き出すには、専用の道具（CLI）が必要じゃ。これを入れ忘れると、空の棚を眺めることになりますぞ。

# 大八車（huggingface_hub）のインストール
pip install huggingface_hub

# ログイン（必要に応じて）
# huggingface-cli login

# モデルの一括ダウンロード
huggingface-cli download fishaudio/fish-speech-1.5 --local-dir checkpoints/fish-speech-1.5

第二章：検閲官の粛清（御免状パッチ）

日本語を「不審な文字」として切り捨てる仕様を、以下の 4つの修正（パッチ） で物理的に書き換える。

1. `clean.py` の無害化

日本語を消去する主犯。機能そのものをザルにする。
fish_speech/text/clean.py の clean_text 関数を以下のように書き換えるのじゃ。

def clean_text(text):
    # 検閲を無効化し、ありのままの日本語を通す
    return str(text)

2. 正規化の強制解除

tools/inference_engine/__init__.py にて、中国語の物差し（ChnNormedText）を無視させる。

# 150行目付近
text=(
    req.text
    if not req.normalize
    else req.text,  # ← ここを強制的に req.text にする！
),

3. オーディオバックエンドの修正

Mac での自爆を防ぐため、以下の2ファイルの backends = ... を backends = [] に書き換える。

tools/inference_engine/reference_loader.py
tools/vqgan/extract_vq.py

第三章：真・実行スクリプト（Master's Script）

WebUI 経由でも動くが、真の侍なら CLI で直接生成したいはず。
数多のエラー（MPS行列サイズ不一致、KV Cache未初期化、タプル戻り値問題）をすべて克服した 「v7：解脱版」 のスクリプトをここに授ける。

これを run_custom_tts_v1.5.0.py として保存し、実行せよ！

import os
import sys
import torch
import torch.nn.functional as F
import torchaudio
import soundfile as sf
import numpy as np
from pathlib import Path

# --- 【勝利の鍵1】検閲官の暗殺（メモリ上でも念押し） ---
try:
    import fish_speech.text.clean as clean_module
    clean_module.clean_text = lambda x: str(x)
    print("⚔️ clean_text を無力化しました。")
except ImportError:
    pass

# --- 【勝利の鍵2】MPS用・行列サイズ強制補正パッチ ---
original_sdpa = F.scaled_dot_product_attention

def patched_sdpa(query, key, value, attn_mask=None, dropout_p=0.0, is_causal=False, scale=None):
    if attn_mask is not None and attn_mask.shape[-1] > key.shape[-2]:
        target_len = key.shape[-2]
        attn_mask = attn_mask[..., :target_len, :target_len]
    return original_sdpa(query, key, value, attn_mask=attn_mask, dropout_p=dropout_p, is_causal=is_causal, scale=scale)

torch.nn.functional.scaled_dot_product_attention = patched_sdpa
print("🔧 MPS用 Attention Mask パッチを適用しました。")

from tools.llama.generate import load_model as load_llama_model, generate_long
from tools.vqgan.inference import load_model as load_vqgan_model

# ================= 設定エリア =================
DEVICE = "mps"
CHECKPOINT_DIR = "checkpoints/fish-speech-1.5"
DECODER_CKPT = "checkpoints/fish-speech-1.5/firefly-gan-vq-fsq-8x1024-21hz-generator.pth"
DECODER_CONFIG = "firefly_gan_vq"

TARGET_TEXT = "こんにちは。御免状式修正により、Mac M4 Proで日本語生成に成功しました。"
REFERENCE_AUDIO_PATH = "reference.wav"  # 貴殿のWAVファイル
REFERENCE_TEXT = "参照音声が喋っている内容"
# ============================================

def main():
    PRECISION = torch.float32 
    print("📥 Loading Models...")
    decoder_model = load_vqgan_model(DECODER_CONFIG, DECODER_CKPT, DEVICE)
    llama_model, decode_one_token = load_llama_model(Path(CHECKPOINT_DIR), DEVICE, PRECISION, compile=False)

    # 【重要】KV Cache の初期化
    print("🧠 Setting up Caches...")
    with torch.device(DEVICE):
        llama_model.setup_caches(max_batch_size=1, max_seq_len=llama_model.config.max_seq_len, dtype=PRECISION)

    # リファレンス処理
    audio, sr = torchaudio.load(REFERENCE_AUDIO_PATH)
    if sr != decoder_model.spec_transform.sample_rate:
        audio = torchaudio.functional.resample(audio, sr, decoder_model.spec_transform.sample_rate)
    audio = audio.mean(dim=0, keepdim=True).to(DEVICE)
    audio_length = torch.tensor([audio.shape[1]], device=DEVICE, dtype=torch.long)
    
    with torch.no_grad():
        prompt_tokens = decoder_model.encode(audio[None], audio_length)[0][0]

    # 生成
    print(f"📝 Generating: {TARGET_TEXT}")
    generator = generate_long(
        model=llama_model, device=DEVICE, decode_one_token=decode_one_token,
        text=TARGET_TEXT, num_samples=1, max_new_tokens=0,
        top_p=0.7, repetition_penalty=1.2, temperature=0.7,
        prompt_text=[REFERENCE_TEXT], prompt_tokens=[prompt_tokens],
        iterative_prompt=True, chunk_length=150
    )

    all_codes = []
    for response in generator:
        if response.action == "sample": all_codes.append(response.codes)
        elif response.action == "next": break

    # デコード（v1.5仕様：feature_lengths必須 ＆ タプル戻り値）
    print("🔊 Decoding...")
    full_codes = torch.cat(all_codes, dim=1).unsqueeze(0)
    feature_lengths = torch.tensor([full_codes.shape[2]], device=DEVICE, dtype=torch.long)
    
    with torch.no_grad():
        decoded_output = decoder_model.decode(full_codes, feature_lengths)
        decoded_audio = decoded_output[0] if isinstance(decoded_output, tuple) else decoded_output

    sf.write("output.wav", decoded_audio.squeeze().cpu().float().numpy(), decoder_model.spec_transform.sample_rate)
    print("🎉 勝利の凱旋！ output.wav が生成されました。")

if __name__ == "__main__":
    os.environ["PYTORCH_ENABLE_MPS_FALLBACK"] = "1"
    main()

実行結果：

(fish-speech) kouairchair@tanakagoujunoMac-mini fish-speech % python run_custom_tts_v1.5.0.py
⚔️ clean_text を無力化しました。
🔧 MPS用 Attention Mask パッチ(v7) を適用しました。
🚀 Device: mps で起動中...
📥 Loading VQGAN (Decoder)...
/Users/kouairchair/miniconda3/envs/fish-speech/lib/python3.10/site-packages/vector_quantize_pytorch/vector_quantize_pytorch.py:445: FutureWarning: `torch.cuda.amp.autocast(args...)` is deprecated. Please use `torch.amp.autocast('cuda', args...)` instead.
  @autocast(enabled = False)
/Users/kouairchair/miniconda3/envs/fish-speech/lib/python3.10/site-packages/vector_quantize_pytorch/vector_quantize_pytorch.py:630: FutureWarning: `torch.cuda.amp.autocast(args...)` is deprecated. Please use `torch.amp.autocast('cuda', args...)` instead.
  @autocast(enabled = False)
/Users/kouairchair/miniconda3/envs/fish-speech/lib/python3.10/site-packages/vector_quantize_pytorch/finite_scalar_quantization.py:147: FutureWarning: `torch.cuda.amp.autocast(args...)` is deprecated. Please use `torch.amp.autocast('cuda', args...)` instead.
  @autocast(enabled = False)
/Users/kouairchair/miniconda3/envs/fish-speech/lib/python3.10/site-packages/vector_quantize_pytorch/lookup_free_quantization.py:209: FutureWarning: `torch.cuda.amp.autocast(args...)` is deprecated. Please use `torch.amp.autocast('cuda', args...)` instead.
  @autocast(enabled = False)
2026-03-09 20:36:41.967 | INFO     | tools.vqgan.inference:load_model:43 - Loaded model: <All keys matched successfully>
📥 Loading Llama (Encoder)...
2026-03-09 20:36:48.367 | INFO     | tools.llama.generate:load_model:682 - Restored model from checkpoint
2026-03-09 20:36:48.368 | INFO     | tools.llama.generate:load_model:688 - Using DualARTransformer
🔧 Setting up KV Caches...
🎤 Processing Reference Audio: sample_voice.m4a
objc[10346]: Class AVFFrameReceiver is implemented in both /Users/kouairchair/miniconda3/envs/fish-speech/lib/python3.10/site-packages/av/.dylibs/libavdevice.62.1.100.dylib (0x16d9103a8) and /opt/homebrew/Cellar/ffmpeg/8.0.1_2/lib/libavdevice.62.1.100.dylib (0x17c8b4328). This may cause spurious casting failures and mysterious crashes. One of the duplicates must be removed or renamed.
objc[10346]: Class AVFAudioReceiver is implemented in both /Users/kouairchair/miniconda3/envs/fish-speech/lib/python3.10/site-packages/av/.dylibs/libavdevice.62.1.100.dylib (0x16d9103f8) and /opt/homebrew/Cellar/ffmpeg/8.0.1_2/lib/libavdevice.62.1.100.dylib (0x17c8b4378). This may cause spurious casting failures and mysterious crashes. One of the duplicates must be removed or renamed.
/Users/kouairchair/miniconda3/envs/fish-speech/lib/python3.10/site-packages/torch/functional.py:681: UserWarning: An output with one or more elements was resized since it had shape [], which does not match the required output shape [1, 663, 1025]. This behavior is deprecated, and in a future PyTorch release outputs will not be resized unless they have zero elements. You can explicitly reuse an out tensor t by resizing it, inplace, to zero elements with t.resize_(0). (Triggered internally at /Users/runner/work/pytorch/pytorch/pytorch/aten/src/ATen/native/Resize.cpp:38.)
  return _VF.stft(  # type: ignore[attr-defined]
/Users/kouairchair/miniconda3/envs/fish-speech/lib/python3.10/site-packages/vector_quantize_pytorch/residual_fsq.py:170: FutureWarning: `torch.cuda.amp.autocast(args...)` is deprecated. Please use `torch.amp.autocast('cuda', args...)` instead.
  with autocast(enabled = False):
✅ Reference Encoded.
📝 Generating Semantic Tokens for text: こんにちは。御免状式修正により、Mac M4 Proで日本語生成に成功しました。
2026-03-09 20:36:48.680 | INFO     | tools.llama.generate:generate_long:789 - Encoded text: こんにちは。御免状式修正により、Mac M4 Proで日本語生成に成功しました。
2026-03-09 20:36:48.681 | INFO     | tools.llama.generate:generate_long:807 - Generating sentence 1/1 of sample 1/1
  2%|▊                                           | 152/7954 [00:13<11:29, 11.32it/s]
2026-03-09 20:37:02.493 | INFO     | tools.llama.generate:generate_long:861 - Generated 154 tokens in 13.81 seconds, 11.15 tokens/sec
2026-03-09 20:37:02.493 | INFO     | tools.llama.generate:generate_long:864 - Bandwidth achieved: 7.11 GB/s
🔊 Decoding to Audio...
🎉 Success! Audio saved to: output_cli.wav
(fish-speech) kouairchair@tanakagoujunoMac-mini fish-speech %

結び：ならぬものはならぬ、通らぬものは通す

Fish Speech は、正しく扱えば最強の武器となる。
もし貴殿の環境で「日本語が喋らぬ」と悩んでいるのなら、この御免状パッチと時を戻す術を試すがよい。

以上。これにて一件落着！