Pilot von Immersive VoiceSpace VR (N=17, stimmgesund plus Personen mit Dysphonie) - Teilnehmende skalierten Lautstärke und Tonhöhe über abgestufte virtuelle Restaurantbedingungen

Hintergrund

Stimmveränderung ist ein motorisches Lernproblem, nicht nur ein Wissensproblem. Verhaltensbezogene Stimmtherapie ist für viele Stimmstörungen wirksam, aber Fortschritte in der Klinik gelingen den Übertrag in die Alltagskommunikation oft nicht. Die Literatur zum motorischen Lernen ist klar, warum: Dauerhafte Veränderung hängt vom Üben unter Bedingungen ab, die dem Zielkontext gleichen, nicht nur vom Ausführen des Verhaltens in einer strukturierten Sitzung. Das Specificity of Learning Principle, Transfer-Appropriate Processing und Encoding Specificity laufen alle auf denselben Punkt hinaus - wenn die sensorischen und kontextuellen Anforderungen des Übens den Anforderungen des tatsächlichen Gebrauchs entsprechen, ist der Transfer stärker.

Realer Stimmgebrauch geschieht unter geschichteten Anforderungen: kommunikative Absicht, Zuhörerdistanz, sozial-emotionaler Druck, Raumgröße, Hintergrundakustik und visuell-räumliche Hinweise, die signalisieren, wie viel Stimme nötig ist, bevor eine Person überhaupt spricht. Konventionelle Behandlungsräume minimieren diese Variablen bewusst, was der initialen Aneignung dient, aber genau jene Hinweise unterrepräsentiert, von denen die Lerntheorie sagt, dass die Generalisierung von ihnen abhängt.

Immersive Virtual Reality bietet einen kontrollierten Weg, diese Hinweise wieder einzuführen. Daşdöğens multisensorische Studie 2023 (in diesem Hub) hat festgestellt, dass visuelle und audiovisuelle VR-Hinweise messbare Stimmanpassungen bei stimmgesunden Erwachsenen vorantreiben, über das hinaus, was akustische Simulation allein hervorbringt. Die Studie 2026 mit ausgebildeten Sänger:innen (ebenfalls in diesem Hub) erweiterte dies auf den Vergleich von expert:innenhaften und ungeübten Sprecher:innen. Die vorliegende Studie macht den nächsten Schritt: Hält derselbe Effekt in einer klinischen Stimmpopulation stand, und ist eine maßgeschneiderte stimmreaktive VR-Plattform in dieser Population praktikabel einsetzbar.

Was die Forschenden taten

Eine Within-Subject-Pilotstudie an Mount Sinai mit 17 Erwachsenen: 10 stimmgesunde Sprecher:innen rekrutiert aus der HNO-Klinik und dem Krankenhauspersonal sowie 7 Personen mit Dysphonie rekrutiert bei routinemäßigen Stimmuntersuchungen (Diagnosen einschließlich Presbyphonie, Stimmlippenpolyp, Stimmlippenparese, muskulärer Verspannungsdysphonie und geschlechtsbestätigender Stimmtherapie).

Die Intervention war Immersive VoiceSpace (IVS) - eine maßgeschneiderte VR-Plattform, entwickelt vom Alleinautor. IVS renderte ein leicht besetztes virtuelles Restaurant auf einem Oculus Quest 3 Headset. Ein Kellner-NPC diente als Zuhörerziel. Der Kellner reagierte in Echtzeit auf die Stimme der Teilnehmenden: Erreichte die Stimmintensität eine voreingestellte Schwelle, näherte sich der Kellner und blieb in Zuhörhaltung; fiel sie länger als ein eingestelltes Timeout unter die Schwelle, ging der Kellner weg.

Drei Parameter wurden über die Bedingungen abgestuft:

• Zuhörerdistanz - 5 m (Normal), 10 m (Effortful), 15 m (Calling)
• Stimmaktivierungsschwelle - +3 dB, +5 dB, +10 dB über dem eigenen Baseline-SPL jedes Teilnehmenden
• Weggeh-Timeout - 5 s, 10 s, 20 s

Die Sprechaufgabe in allen vier Bedingungen war dieselbe: “Bestelle ein Getränk, eine Vorspeise, ein Hauptgericht und ein Dessert.” Die Baseline-Bedingung wurde mit einem Mitglied des Forschungsteams als Zuhörer:in im Behandlungsraum in ca. 2 m durchgeführt. Die drei IVS-Bedingungen wurden im virtuellen Restaurant in randomisierter Reihenfolge durchgeführt.

Um visuell-räumliche Effekte zu isolieren, wurde das Umgebungsaudio des Restaurants (Hintergrundgespräche und Besteckgeräusche, die IVS abspielen kann) in allen Versuchsbedingungen stumm geschaltet. Die akustische Aufnahme erfolgte über ein kopfgetragenes AKG C520 Kondensatormikrofon in 7 cm Mundabstand, kalibriert auf eine 30-cm-Referenz, erfasst mit 44,1 kHz / 16 Bit über Computerized Speech Lab (CSL).

Endpunkte: Schalldruckpegel (SPL, dB) und mittlere Sprechgrundfrequenz (mittlere f0, Hz), jeweils aus CSL extrahiert und in getrennten linearen gemischten Modellen mit zufälligem Intercept je Proband:in analysiert. Feste Effekte waren Gruppe (Typisch, Atypisch) und Aufgabenbedingung (Baseline, Normal, Effortful, Calling). Die Interaktion Gruppe x Aufgabenbedingung wurde für die mittlere f0 beibehalten (signifikant) und aus dem finalen SPL-Modell entfernt (nicht signifikant). Feste Effekte wurden mit Typ-III-Quadratsummen und Kenward-Roger-approximierten Freiheitsgraden bewertet; paarweise Kontraste verwendeten geschätzte marginale Mittelwerte mit Tukey-Korrektur.

Ein 5-Punkt-Likert-Fragebogen (vom Autor entwickelt, noch nicht validiert) erfasste nach der Sitzung vier Domänen: Usability und Interaktion, Immersion und Realismus, Engagement und wahrgenommener Nutzen, Komfort und Sicherheit. Domänenwerte wurden gemittelt; ein Gesamt-Machbarkeitsindex war der Mittelwert der vier Domänen. Freitextrückmeldungen wurden deskriptiv ausgewertet.

Was sie fanden

Schalldruckpegel. Ein signifikanter Haupteffekt der IVS-Stufe: F(3, 48) = 33,94, p < 0,001. Gegenüber Baseline stieg SPL um 3,83 dB bei Normal, 7,41 dB bei Effortful und 9,04 dB bei Calling (alle p < 0,001). Die paarweisen Kontraste Normal-zu-Effortful und Normal-zu-Calling waren signifikant; der Schritt von 1,63 dB von Effortful zu Calling nicht (p = 0,450), was ein deckenartiges Muster auf der höchsten Anforderungsstufe nahelegt. Der Gruppen-Haupteffekt war ebenfalls signifikant: Personen mit Dysphonie produzierten im Durchschnitt etwa 6,88 dB weniger SPL als stimmgesunde Sprecher:innen. Die Interaktion Gruppe x Stufe war nicht signifikant und wurde daher aus dem finalen SPL-Modell entfernt - beide Gruppen erhöhten die Lautstärke parallel, während die Aufgabenanforderungen stiegen.

Mittlere Sprech-f0. Ein signifikanter Haupteffekt der IVS-Stufe: F(3, 45) = 17,63, p < 0,001. Stufenweise Anstiege gegenüber Baseline (Intercept ≈ 201,8 Hz für die typische Gruppe) von etwa 36 Hz bei Normal (p = 0,008), 66,6 Hz bei Effortful (p < 0,001) und 103,9 Hz bei Calling (p < 0,001). Der Gruppen-Haupteffekt war signifikant, aber auch die Interaktion Stufe x Gruppe war signifikant: F(3, 45) = 3,94, p = 0,014. Zerlegung der Interaktion: Bei Baseline unterschieden sich die Gruppen nicht in der mittleren f0 (p = 0,102); bei Normal näherte sich der Unterschied der Signifikanz, ohne sie zu erreichen (p = 0,055); bei Effortful (p = 0,003) und Calling (p < 0,001) war die Lücke signifikant und wuchs mit den Anforderungen. Die Dysphonie-Gruppe hob die Tonhöhe mit den Anforderungen an, jedoch in geringerem Ausmaß als die stimmgesunde Gruppe.

Machbarkeit. Domänenwerte (von 5): Usability und Interaktion 3,9 (mäßig-gut), Immersion und Realismus 3,4 (mäßig, niedrigste Domäne), Engagement und wahrgenommener Nutzen 4,0 (gut), Komfort und Sicherheit 4,5 (ausgezeichnet). Gesamt-Machbarkeitsindex 4,0 (gut). Keine unerwünschten Ereignisse, keine Cybersickness, keine technischen Unterbrechungen im Protokoll. Die durchschnittliche Parameter-Neukonfigurationszeit zwischen Trials betrug etwa 2 Minuten. Die gesamte Sitzungsdauer lag bei etwa 20 Minuten pro Teilnehmer:in.

Qualitatives Feedback. Die Teilnehmenden beschrieben die Erfahrung als “spaßig,” “wie ein Videospiel” und “eine realistische Art, Stimmgebrauch zu üben.” Sie hoben das live, reaktive Verhalten des Kellners als das engagierendste Element hervor. Die konsistenteste negative Rückmeldung betraf das begrenzte interaktionale Verhalten des Kellners - die Teilnehmenden wünschten verbale Antworten, Mimik und Gesten in den Hörphasen, damit sich die Interaktion natürlicher anfühlt.

Warum das wichtig ist

Für den Evidence Hub sind drei Aspekte dieses Beitrags wichtig:

• Erste veröffentlichte klinische Anwendung einer maßgeschneiderten stimmreaktiven VR-Plattform. Vorherige Arbeiten zur immersiven VR-Stimme (einschließlich Daşdöğen 2023 und Daşdöğen 2026 ausgebildete Sänger:innen) fanden weitgehend bei stimmgesunden Erwachsenen statt. Diese Studie erweitert auf Personen mit Dysphonie, einschließlich diagnostisch diverser Fälle.
• Direkter Nachweis, dass stimmreaktives Avatar-Feedback eine abgestufte Stimmskalierung ohne explizite klinische Anleitung hervorrufen kann. Dies ist die bisher klarste veröffentlichte Demonstration eines Generalisierungs- und Transfermechanismus für Stimmtherapie: Die teilnehmende Person passt die Stimmproduktion in Echtzeit an funktionale Umweltanforderungen an, in Reaktion auf nonverbales kontextuelles Feedback.
• Vergleichbares Verhaltensmuster zwischen stimmgesunden und Dysphonie-Gruppen für die Lautstärke, bei eingeschränkter Tonhöhenflexibilität in der Dysphonie-Gruppe. Der SPL-Befund legt nahe, dass der kontextuelle Mechanismus bei Sprecher:innen mit Stimmstörung intakt ist; der f0-Befund ist konsistent mit der breiteren Stimmliteratur zur reduzierten phonatorischen Flexibilität bei gestörter Phonation.

Für Therapy withVR speziell: Diese Arbeit testete IVS, nicht Therapy withVR. Das breitere Prinzip, das sie stützt (abgestufte visuell-räumliche Anforderungen rufen funktionale Stimmanpassung hervor), entspricht der Rationale, die Therapeut:innen bereits beim Auswählen von Szenen in Therapy withVR für Stimmarbeit nutzen. Eine direkte Äquivalenz des Avatar-Schwellen-Triggermechanismus zwischen den Plattformen wurde nicht untersucht.

Limitationen

Der Beitrag ist explizit darin, was diese Studie etabliert und was nicht:

• Die Stichprobe ist klein (N = 17; atypisch n = 7). Subgruppenanalysen nach Stimmdiagnose sind bei diesem N nicht möglich.
• Nur eine einzige Sitzung. Die zentrale Behauptung des theoretischen IVS-Rahmens ist verbesserter Transfer über Lernsitzungen, was dieses Design nicht testen kann.
• Keine Kontroll- oder Vergleichsbedingung. Es gibt keine vorstellungsbasierte Kontrolle, keinen alternativen Behandlungsvergleich und keinen Wartelistenarm. Die beobachteten Effekte über die IVS-Stufen sind konsistent mit der visuell-räumlichen Manipulation, lassen sich aber nicht sauber von VR-Expositions- oder Neuheitseffekten trennen.
• Baseline außerhalb des Headsets erhoben. Der Vergleich Baseline-zu-Normal vermengt die Aufgabenanforderung mit dem Aufsetzen des Headsets und dem erstmaligen Betreten einer virtuellen Umgebung.
• Audio war stumm. Restaurant-Umgebungsaudio (das IVS abspielen kann) wurde bewusst stumm geschaltet, um visuell-räumliche Effekte zu isolieren. Das ist eine saubere experimentelle Wahl, schränkt aber die ökologische Validität ein - reale Restaurants sind laut, und Lärm ist ein bekannter Treiber stimmlicher Anpassung.
• Einzelner virtueller Kontext. Nur eine Szene (das Restaurant) wurde getestet. Die klinische Roadmap erfordert den Nachweis desselben Musters in mehreren Kontexten (Klinik, Klassenzimmer, Arbeitsplatz, Auftritt, medizinische Settings).
• Der Machbarkeitsfragebogen wurde vom Autor entwickelt und ist nicht validiert. Offenes Feedback ist informativ, sollte aber als deskriptiv und nicht als psychometrisch behandelt werden.
• Erheblicher Interessenkonflikt. Der Alleinautor ist Erfinder von IVS, Inhaber einer US-Patentanmeldung auf die Technologie und einziger Untersucher dieser Studie. Es gibt keine Inter-Rater-Reliabilitätsarbeit, keine Qualitätsprüfung durch Co-Untersucher und keine unabhängige Replikation.
• Avatar-Interaktionsgrenzen. Die Teilnehmer-Rückmeldungen markierten das Fehlen verbaler und gestischer Avatar-Antworten als Einschränkung des wahrgenommenen Realismus. Dies ist eine Entwicklungspriorität für zukünftige Versionen und zugleich eine bedeutsame Bedrohung für die Interpretation der Immersions- und Realismus-Scores im aktuellen Pilot.

Wie das in den breiteren Evidence Hub passt

Diese Studie ist Teil eines wachsenden Stranges immersiver VR-Stimmarbeit rund um Mount Sinai / Daşdöğen und angrenzende Stimmlabore:

• Daşdöğen et al. 2023 (Journal of Voice) - die fundierende Realismus-und-Validitäts-Arbeit bei 31 stimmgesunden Erwachsenen über 18 sensorische Eingangsbedingungen. Etablierte, dass visuelle und audiovisuelle VR-Hinweise, nicht nur akustische, die Stimmproduktion verändern.
• Daşdöğen und Hitchcock 2026 (Journal of Voice) - Studie zu ausgebildeten Sänger:innen vs. ungeschulten Sprecher:innen mit dem Rooms-Modul von Therapy withVR. Zeigte, dass virtuelle Distanzhinweise die Stimmskalierung bei geschulten und ungeschulten Stimmen unterschiedlich antreiben.
• Hoff 2026 (Journal of Voice) - VR-basierte Kurzmeditation vor der Stimmtherapie. Anderer Mechanismus (Regulation von Zustandsangst statt direkter Stimm-Cueing), aber dieselbe Stoßrichtung für VR-Adoption in Stimmkliniken.
• Leyns et al. 2025 (Journal of Voice) - RCT zu VR-basiertem geschlechtsbestätigendem Stimmtraining mit Therapy withVR. Direkt relevant, da IVS laut institutioneller Berichterstattung von Mount Sinai geschlechtsbestätigende Stimmmodule entwickelt.

Die breitere Landschaft: Stimm-VR bewegt sich von “fühlt sich die Simulation real genug an, um Verhalten zu ändern” (weitgehend beantwortet: ja) zu “überträgt sich das Üben in der Simulation auf den realen Stimmgebrauch” (weitgehend unbeantwortet, ausstehend longitudinaler mehrsitziger Arbeit). Diese Studie steht an der Grenze - Machbarkeit und unmittelbares Verhaltenssignal sind für eine maßgeschneiderte stimmreaktive Plattform etabliert; der Transfer ist der nächste Test.

Hinweis zur Immersive VoiceSpace Plattform. IVS unterscheidet sich von Therapy withVR. Es ist ein Single-Scene-, stimmschwellenreaktives System, erfunden und patentiert vom Studienautor. Der institutionelle Bericht von Mount Sinai (Mai 2026, “Hypophonia”) beschreibt laufende Arbeiten, die IVS auf Personen mit Parkinson-Hypophonie ausweiten, mit geplanten Modulen für Stimm-Feminisierung und weitere Kontexte. Der IP-Status von IVS konnte zum Zeitpunkt dieser Bewertung nicht unabhängig verifiziert werden (siehe funding/COI-Feld).