Pilot Immersive VoiceSpace VR (N=17, hlasově zdraví plus lidé s dysfonií) - účastníci škálovali hlasitost a výšku napříč odstupňovanými podmínkami virtuální restaurace

Pozadí

Změna hlasu je problém motorického učení, nejen problém znalostí. Behaviorální hlasová terapie je účinná u mnoha hlasových obtíží, ale zisky v klinice se často nepřenášejí do každodenní komunikace. Literatura motorického učení je jasná v tom, proč: trvalá změna závisí na cvičení za podmínek, které se podobají cílovému kontextu, nejen na provádění chování ve strukturované relaci. Specificity of Learning Principle, Transfer-Appropriate Processing a Encoding Specificity všechny konvergují ke stejnému bodu - když smyslové a kontextové požadavky cvičení odpovídají požadavkům reálného použití, je transfer silnější.

Reálné používání hlasu probíhá za vrstvených požadavků: komunikační záměr, vzdálenost od posluchače, sociálně-emoční tlak, velikost místnosti, akustika pozadí a vizuálně-prostorové signály, které signalizují, kolik hlasu je potřeba, ještě než člověk promluví. Konvenční klinické místnosti tyto proměnné záměrně minimalizují, což slouží počátečnímu osvojení, ale podreprezentuje právě ty signály, na nichž podle teorie učení závisí generalizace.

Immersivní virtuální realita nabízí kontrolovaný způsob, jak tyto signály vrátit zpět. Multisensorická studie Daşdöğena z roku 2023 (v tomto Hubu) prokázala, že vizuální a audiovizuální VR signály řídí měřitelné hlasové adaptace u hlasově zdravých dospělých nad rámec toho, co produkuje samotná akustická simulace. Studie z roku 2026 o trénovaných zpěvácích (rovněž v tomto Hubu) rozšířila tuto práci o srovnání expertních a netrénovaných mluvčích. Současná studie dělá další krok: drží se stejný efekt v klinické hlasové populaci, a je zakázková hlasově responzivní VR platforma proveditelná pro použití v této populaci.

Co výzkumníci udělali

Within-subjects pilot na Mount Sinai se 17 dospělými: 10 hlasově zdravých mluvčích rekrutovaných z otorinolaryngologické kliniky a nemocničního personálu a 7 osob s dysfonií rekrutovaných během rutinních hlasových vyšetření (diagnózy zahrnovaly presbyfonii, polyp hlasivek, parézu hlasivek, hyperfunkční dysfonii a genderově afirmativní hlasovou péči).

Intervencí byla Immersive VoiceSpace (IVS) - zakázková VR platforma vyvinutá jediným autorem. IVS vykresloval lehce zalidněnou virtuální restauraci na headsetu Oculus Quest 3. Postava číšníka NPC sloužila jako cíl posluchače. Číšník reagoval v reálném čase na hlas účastníka: pokud intenzita hlasu dosáhla přednastaveného prahu, číšník se přiblížil a zůstal v naslouchací pozici; pokud klesla pod práh déle než stanovený časový limit, číšník odešel.

Tři parametry byly odstupňovány napříč podmínkami:

• Vzdálenost posluchače - 5 m (Normal), 10 m (Effortful), 15 m (Calling)
• Práh hlasové aktivace - +3 dB, +5 dB, +10 dB nad SPL baseline podmínky každého účastníka
• Časový limit odchodu - 5 s, 10 s, 20 s

Řečový úkol byl ve všech čtyřech podmínkách stejný: “Objednejte si nápoj, předkrm, hlavní jídlo a dezert.” Podmínka Baseline byla provedena s členem výzkumného týmu jako posluchačem v klinické místnosti ve vzdálenosti ~2 m. Tři podmínky IVS byly provedeny ve virtuální restauraci v randomizovaném pořadí.

Pro izolaci vizuálně-prostorových efektů byl okolní zvuk restaurace (hovor v pozadí a zvuky nádobí, které IVS umí přehrávat) ve všech experimentálních podmínkách ztlumen. Akustický záznam byl pořízen kondenzátorovým mikrofonem AKG C520 na hlavě ve vzdálenosti 7 cm od úst, kalibrovaným na referenci 30 cm, snímaným při 44,1 kHz / 16 bit přes Computerized Speech Lab (CSL).

Výstupy: hladina akustického tlaku (SPL, dB) a průměrná řečová základní frekvence (průměrná f0, Hz), každá extrahovaná z CSL a analyzovaná v samostatných lineárních smíšených modelech s náhodným interceptem pro subjekt. Pevnými efekty byly Skupina (Typická, Atypická) a Podmínka úkolu (Baseline, Normal, Effortful, Calling). Interakce Skupina x Podmínka úkolu byla ponechána pro průměrnou f0 (významná) a vyřazena z finálního modelu SPL (nevýznamná). Pevné efekty byly vyhodnoceny součty čtverců typu III a Kenward-Roger aproximovanými stupni volnosti; párové kontrasty využily odhadované marginální průměry s Tukeyho korekcí.

5bodový Likertův dotazník (vyvinutý autorem, dosud nevalidovaný) zachytil po relaci čtyři domény: Použitelnost a Interakci, Pohlcení a Realismus, Zapojení a Vnímaný Přínos, Pohodlí a Bezpečnost. Skóre domén byla zprůměrována; celkový index proveditelnosti byl průměrem čtyř domén. Otevřená zpětná vazba byla přezkoumána deskriptivně.

Co zjistili

Hladina akustického tlaku. Významný hlavní efekt úrovně IVS: F(3, 48) = 33,94, p < 0,001. Oproti Baseline se SPL zvýšila o 3,83 dB u Normal, 7,41 dB u Effortful a 9,04 dB u Calling (všechny p < 0,001). Párové kontrasty Normal-Effortful a Normal-Calling byly významné; krok 1,63 dB z Effortful do Calling významný nebyl (p = 0,450), což naznačuje vzorec podobný stropu na nejvyšší úrovni požadavku. Hlavní efekt Skupiny byl rovněž významný: osoby s dysfonií produkovaly v průměru asi o 6,88 dB nižší SPL než hlasově zdraví mluvčí. Interakce Skupina x Úroveň nebyla významná, a byla proto vyřazena z finálního modelu SPL - obě skupiny zvyšovaly hlasitost paralelně s rostoucími požadavky úkolu.

Průměrná řečová f0. Významný hlavní efekt úrovně IVS: F(3, 45) = 17,63, p < 0,001. Postupné zvýšení oproti Baseline (intercept ≈ 201,8 Hz pro typickou skupinu) o přibližně 36 Hz u Normal (p = 0,008), 66,6 Hz u Effortful (p < 0,001) a 103,9 Hz u Calling (p < 0,001). Hlavní efekt Skupiny byl významný, ale významná byla i interakce Úroveň x Skupina: F(3, 45) = 3,94, p = 0,014. Rozklad interakce: u Baseline se skupiny v průměrné f0 nelišily (p = 0,102); u Normal se rozdíl blížil, ale nedosáhl významnosti (p = 0,055); u Effortful (p = 0,003) a Calling (p < 0,001) byla mezera významná a rostla s požadavky úkolu. Skupina s dysfonií zvyšovala výšku s požadavky úkolu, ale v menší míře než hlasově zdravá skupina.

Proveditelnost. Skóre domén (z 5): Použitelnost a Interakce 3,9 (středně dobré), Pohlcení a Realismus 3,4 (středně, nejnižší doména), Zapojení a Vnímaný Přínos 4,0 (dobré), Pohodlí a Bezpečnost 4,5 (vynikající). Celkový index proveditelnosti 4,0 (dobré). Žádné nežádoucí příhody, žádná cybersickness, žádná technická přerušení během protokolu. Průměrný čas rekonfigurace parametrů mezi pokusy byl asi 2 minuty. Celková délka relace byla asi 20 minut na účastníka.

Kvalitativní zpětná vazba. Účastníci popsali zážitek jako “zábavný,” “jako videohru” a “realistický způsob, jak procvičovat používání hlasu.” Vyzdvihli živé, responzivní chování číšníka jako nejvíce poutavý prvek. Nejkonzistentnější negativní zpětná vazba se týkala omezeného interakčního chování číšníka - účastníci chtěli verbální reakce, mimiku a gesta během naslouchacích tahů, aby interakce působila přirozeněji.

Proč na tom záleží

Pro Evidence Hub jsou na tomto článku důležité tři věci:

• První publikované použití v klinické populaci zakázkové hlasově responzivní VR platformy. Předchozí immersivní VR hlasová práce (včetně Daşdöğen 2023 a Daşdöğen 2026 trénovaní zpěváci) probíhala převážně u hlasově zdravých dospělých. Tato studie rozšiřuje práci na osoby s dysfonií, včetně diagnosticky různorodých případů.
• Přímý důkaz, že hlasově responzivní avatarová zpětná vazba dokáže vyvolat odstupňované hlasové škálování bez explicitního vedení klinika. Jde o nejbližší publikovanou demonstraci mechanismu generalizace a transferu pro hlasovou terapii: účastník v reálném čase přizpůsobuje hlasový výstup funkčním požadavkům prostředí v reakci na neverbální kontextovou zpětnou vazbu.
• Srovnatelný vzorec chování mezi hlasově zdravými skupinami a skupinou s dysfonií pro hlasitost, s omezenou flexibilitou výšky ve skupině s dysfonií. Zjištění SPL naznačuje, že kontextový mechanismus je u mluvčích s poruchami hlasu neporušený; zjištění f0 je v souladu se širší hlasovou literaturou o snížené fonatorické flexibilitě při narušené fonaci.

Specificky pro Therapy withVR: tato práce testovala IVS, nikoli Therapy withVR. Širší princip, který podporuje (odstupňované vizuálně-prostorové požadavky vyvolávají funkční hlasovou adaptaci), je v souladu s logikou, kterou kliničtí pracovníci již používají při volbě scén v Therapy withVR pro hlasovou práci. Přímá ekvivalence mechanismu spouštění avatar-práh mezi platformami nebyla studována.

Omezení

Článek je explicitní o tom, co tato studie stanovuje a nestanovuje:

• Velikost vzorku je malá (N = 17; atypická n = 7). Analýza podskupin podle hlasové diagnózy není při tomto N proveditelná.
• Pouze jediná relace. Centrální tvrzení teoretického rámce IVS je zlepšený transfer napříč učebními relacemi, což tento design nedokáže testovat.
• Žádná kontrolní ani srovnávací podmínka. Není zde kontrola založená na představivosti, žádný srovnávací alternativní léčebný komparátor ani rameno na pořadníku. Pozorované efekty napříč úrovněmi IVS jsou v souladu s vizuálně-prostorovou manipulací, ale nelze je čistě oddělit od efektů expozice VR či novosti.
• Baseline odebrán mimo headset. Srovnání Baseline-Normal zaměňuje požadavek úkolu s aktem nasazení headsetu a prvním vstupem do virtuálního prostředí.
• Zvuk byl ztlumen. Okolní zvuk restaurace (který IVS umí přehrávat) byl záměrně ztlumen, aby byly izolovány vizuálně-prostorové efekty. Jde o čistou experimentální volbu, ale omezuje to ekologickou validitu - skutečné restaurace jsou hlučné a hluk je známým hybatelem hlasové adaptace.
• Jediný virtuální kontext. Testována byla pouze jedna scéna (restaurace). Klinický plán vyžaduje prokázání stejného vzorce napříč více kontexty (klinika, učebna, pracoviště, vystoupení, zdravotnické prostředí).
• Dotazník proveditelnosti byl vyvinut autorem a není validován. Otevřená zpětná vazba je informativní, ale měla by být chápána jako deskriptivní, nikoli psychometrická.
• Významný střet zájmů. Jediný autor je vynálezcem IVS, držitelem americké patentové přihlášky na technologii a jediným výzkumníkem této studie. Není zde inter-rater spolehlivostní práce, žádná kontrola kvality od spoluvýzkumníků ani nezávislá replikace.
• Omezení interakce avatara. Zpětná vazba účastníků označila chybějící verbální a gestikulační odezvu avatara jako omezení vnímaného realismu. Toto je vývojová priorita pro budoucí verze a zároveň významná hrozba pro interpretaci skóre Pohlcení a Realismu v současném pilotu.

Jak to zapadá do širšího Evidence Hub

Tato studie je součástí rostoucí linie immersivní VR hlasové práce soustředěné kolem Mount Sinai / Daşdöğena a sousedních hlasových laboratoří:

• Daşdöğen et al. 2023 (Journal of Voice) - zakládající práce realismu a validity u 31 hlasově zdravých dospělých napříč 18 podmínkami smyslového vstupu. Stanovila, že vizuální a audiovizuální VR signály, nejen akustické, mění hlasový výstup.
• Daşdöğen a Hitchcock 2026 (Journal of Voice) - studie trénovaní zpěváci vs. netrénovaní mluvčí s modulem Rooms platformy Therapy withVR. Ukázala, že virtuální vzdálenostní signály řídí hlasové škálování odlišně u trénovaných oproti netrénovaným hlasům.
• Hoff 2026 (Journal of Voice) - krátká VR meditace před hlasovou terapií. Odlišný mechanismus (regulace stavové úzkosti, nikoli přímé hlasové cueing), ale stejný směr pohybu pro přijetí VR v hlasových klinikách.
• Leyns et al. 2025 (Journal of Voice) - RCT VR genderově afirmativního hlasového tréninku s Therapy withVR. Přímo relevantní vzhledem k tomu, že IVS údajně vyvíjí genderově afirmativní hlasové moduly podle institucionálního reportu Mount Sinai.

Širší krajina: hlasová VR se posouvá od “působí simulace dost reálně, aby změnila chování” (převážně zodpovězeno: ano) k “přenáší se cvičení v simulaci na používání hlasu v reálném světě” (převážně nezodpovězeno, čeká na vícerelační longitudinální práci). Tato studie sedí na hranici - proveditelnost a okamžitý signál chování jsou stanoveny pro zakázkovou hlasově responzivní platformu; transfer je dalším testem.

Poznámka k platformě Immersive VoiceSpace. IVS je odlišná od Therapy withVR. Jde o single-scene systém reagující na hlasový práh, vynalezený a patentovaný autorem studie. Institucionální report Mount Sinai (květen 2026, “Hypophonia”) popisuje probíhající práci rozšiřující IVS na osoby s parkinsonskou hypofonií, s plánovanými moduly pro hlasovou feminizaci a další kontexty. Status IP platformy IVS nebylo možné v době tohoto přezkumu nezávisle ověřit (viz pole funding/COI).