음성 편집(Speech editing)은 나머지 음성을 보존하면서 발화의 특정 부분만을 수정하는 것을 목표로 합니다. 기존 방식들은 주로 단어 수준의 콘텐츠 수정에 집중하며, 일반적으로 콘텐츠, 화자, 감정 편집을 별개의 작업으로 취급하여 편집의 세밀함(granularity)과 유연성을 모두 제한합니다. 우리는 단일 아키텍처 내에서 서브-음소(sub-phoneme)부터 단어 수준까지 결합 가능한 화자, 감정 및 콘텐츠 편집을 지원하는 통합 음성 속성 편집 프레임워크인 UniSAE를 제안합니다. UniSAE는 음성 콘텐츠를 음소 정체성, 발음 변이 및 지속 시간을 인코딩하는 이산 토큰(discrete tokens)으로 분해하는 이산적 음소 후험 확률도(Discrete Phonetic PosteriorGram, DPPG) 표현을 도입하여, 직접적인 음소 및 서브-음소 수준의 편집을 가능하게 합니다. 더 높은 수준의 수정을 위해, 자기회귀(autoregressive) 콘텐츠 트랜스포머(transformer)가 단어 수준의 콘텐츠 편집을 위한 편집된 DPPG 시퀀스를 예측합니다. 편집된 시퀀스는 분리된(disentangled) 화자 및 감정 표현을 조건으로 하여 확산 기반(diffusion-based) 음향 디코더(acoustic decoder)를 통해 음성으로 렌더링됩니다. 실험 결과, 제안된 통합 프레임워크가 정밀한 화자 및 감정 제어, 다양한 세밀함에서의 콘텐츠 편집, 그리고 단일 프레임워크 내에서 세 가지 속성의 공동 수정을 지원함을 입증하였습니다.