Piloto de Immersive VoiceSpace VR (N=17, personas vocalmente sanas más personas con disfonía) - los participantes escalaron intensidad y tono a través de condiciones graduadas de restaurante virtual

Antecedentes

El cambio vocal es un problema de aprendizaje motor, no solo un problema de conocimiento. La terapia vocal conductual es eficaz para muchas alteraciones de la voz, pero los avances logrados en la clínica a menudo no se trasladan a la comunicación cotidiana. La literatura de aprendizaje motor es clara en cuanto al porqué: el cambio duradero depende de practicar bajo condiciones que se asemejen al contexto objetivo, no solo de ejecutar la conducta en una sesión estructurada. El Specificity of Learning Principle, el Transfer-Appropriate Processing y el Encoding Specificity convergen en el mismo punto - cuando las demandas sensoriales y contextuales de la práctica coinciden con las del uso real, la transferencia es más fuerte.

El uso vocal del mundo real ocurre bajo demandas en capas: intención comunicativa, distancia al oyente, presión socioemocional, tamaño de la sala, acústica de fondo y señales visuoespaciales que indican cuánta voz se necesita antes de que la persona siquiera hable. Las salas clínicas convencionales minimizan intencionadamente estas variables, lo que sirve a la adquisición inicial pero infrarrepresenta justamente las señales de las que la teoría del aprendizaje dice que depende la generalización.

La realidad virtual inmersiva ofrece una forma controlada de reintroducir esas señales. El estudio multisensorial de Daşdöğen de 2023 (en este Hub) estableció que las señales visuales y audiovisuales en VR impulsan adaptaciones vocales medibles en adultos vocalmente sanos, más allá de lo que produce la simulación acústica por sí sola. El estudio de 2026 con cantantes formados (también en este Hub) extendió este trabajo comparando hablantes expertos y no formados. El presente estudio da el siguiente paso: se sostiene el mismo efecto en una población vocal clínica, y es viable usar una plataforma VR sensible a la voz hecha a medida en esa población.

Lo que hicieron los investigadores

Un piloto intrasujeto en Mount Sinai con 17 adultos: 10 hablantes vocalmente sanos reclutados de la clínica de otorrinolaringología y del personal hospitalario, y 7 personas con disfonía reclutadas durante visitas rutinarias de evaluación vocal (los diagnósticos incluían presbifonía, pólipo de cuerdas vocales, paresia de cuerdas vocales, disfonía por tensión muscular y atención vocal de afirmación de género).

La intervención fue Immersive VoiceSpace (IVS) - una plataforma de VR a medida desarrollada por el único autor. IVS renderizaba un restaurante virtual poco concurrido en un casco Oculus Quest 3. Un personaje no jugador (camarero) servía como objetivo auditor. El camarero respondía en tiempo real a la voz del participante: si la intensidad vocal alcanzaba un umbral preestablecido, el camarero se acercaba y permanecía en postura de escucha; si caía por debajo del umbral durante más tiempo que el tiempo de espera fijado, el camarero se alejaba.

Tres parámetros se graduaron entre condiciones:

• Distancia al oyente - 5 m (Normal), 10 m (Effortful), 15 m (Calling)
• Umbral de activación vocal - +3 dB, +5 dB, +10 dB por encima de la SPL de la condición línea de base propia de cada participante
• Tiempo de espera de alejamiento - 5 s, 10 s, 20 s

La tarea de habla en las cuatro condiciones fue la misma: “Pida una bebida, un entrante, un plato principal y un postre.” La condición Baseline se realizó con un miembro del equipo de investigación actuando como oyente en la sala clínica a ~2 m. Las tres condiciones IVS se realizaron en el restaurante virtual en orden aleatorizado.

Para aislar los efectos visuoespaciales, el audio ambiente del restaurante (conversaciones de fondo y ruidos de cubiertos, que IVS puede reproducir) se silenció en todas las condiciones experimentales. El registro acústico se realizó mediante un micrófono de condensador AKG C520 montado en la cabeza a 7 cm de la boca, calibrado a una referencia de 30 cm, capturado a 44,1 kHz / 16 bits mediante Computerized Speech Lab (CSL).

Resultados: nivel de presión sonora (SPL, dB) y frecuencia fundamental media de habla (f0 media, Hz), cada uno extraído de CSL y analizado en modelos lineales de efectos mixtos separados con intercepto aleatorio por sujeto. Los efectos fijos fueron Grupo (Típico, Atípico) y Condición de Tarea (Baseline, Normal, Effortful, Calling). La interacción Grupo x Condición de Tarea se mantuvo para la f0 media (significativa) y se eliminó del modelo SPL final (no significativa). Los efectos fijos se evaluaron con sumas de cuadrados de Tipo III y grados de libertad aproximados por Kenward-Roger; los contrastes por pares utilizaron medias marginales estimadas con corrección de Tukey.

Un cuestionario Likert de 5 puntos (desarrollado por el autor, todavía no validado) capturó cuatro dominios tras la sesión: Usabilidad e Interacción, Inmersión y Realismo, Implicación y Beneficio Percibido, Comodidad y Seguridad. Las puntuaciones por dominio se promediaron; un índice global de viabilidad fue la media de los cuatro dominios. La retroalimentación abierta se revisó de manera descriptiva.

Lo que encontraron

Nivel de presión sonora. Un efecto principal significativo de Nivel IVS: F(3, 48) = 33,94, p < 0,001. Respecto a la Baseline, la SPL aumentó 3,83 dB en Normal, 7,41 dB en Effortful y 9,04 dB en Calling (todos p < 0,001). Los contrastes por pares Normal-a-Effortful y Normal-a-Calling fueron significativos; el salto de 1,63 dB de Effortful a Calling no lo fue (p = 0,450), lo que sugiere un patrón cercano al techo en el nivel de exigencia más alto. El efecto principal de Grupo también fue significativo: las personas con disfonía produjeron en promedio unos 6,88 dB menos de SPL que los hablantes vocalmente sanos. La interacción Grupo x Nivel no fue significativa y, por tanto, se eliminó del modelo SPL final - ambos grupos aumentaron la intensidad en paralelo a medida que crecían las demandas de la tarea.

f0 media de habla. Un efecto principal significativo de Nivel IVS: F(3, 45) = 17,63, p < 0,001. Aumentos escalonados respecto a la Baseline (intercepto ≈ 201,8 Hz para el grupo típico) de aproximadamente 36 Hz en Normal (p = 0,008), 66,6 Hz en Effortful (p < 0,001) y 103,9 Hz en Calling (p < 0,001). El efecto principal de Grupo fue significativo, pero también lo fue la interacción Nivel x Grupo: F(3, 45) = 3,94, p = 0,014. Descomposición de la interacción: en Baseline los grupos no diferían en f0 media (p = 0,102); en Normal la diferencia se aproximó sin alcanzar la significancia (p = 0,055); en Effortful (p = 0,003) y Calling (p < 0,001) la brecha fue significativa y creció con las demandas. El grupo con disfonía elevó el tono con las demandas, pero en menor medida que el grupo vocalmente sano.

Viabilidad. Puntuaciones por dominio (sobre 5): Usabilidad e Interacción 3,9 (moderado-bueno), Inmersión y Realismo 3,4 (moderado, el dominio más bajo), Implicación y Beneficio Percibido 4,0 (bueno), Comodidad y Seguridad 4,5 (excelente). Índice global de viabilidad 4,0 (bueno). Sin eventos adversos, sin cybersickness, sin interrupciones técnicas durante el protocolo. Tiempo medio de reconfiguración de parámetros entre ensayos de unos 2 minutos. Duración total de la sesión de unos 20 minutos por participante.

Retroalimentación cualitativa. Los participantes describieron la experiencia como “divertida,” “como un videojuego” y “una forma realista de practicar el uso vocal.” Destacaron el comportamiento vivo y reactivo del camarero como el elemento más implicador. La retroalimentación negativa más constante fue el comportamiento interaccional limitado del camarero - los participantes deseaban respuestas verbales, expresiones faciales y gestos durante los turnos de escucha para que la interacción se sintiera más natural.

Por qué importa

Para el Evidence Hub, hay tres aspectos importantes de este artículo:

• Primer uso publicado en población clínica de una plataforma de VR sensible a la voz a medida. Los trabajos previos de voz en VR inmersiva (incluidos Daşdöğen 2023 y Daşdöğen 2026 cantantes formados) se realizaron en gran medida en adultos vocalmente sanos. Este estudio se extiende a personas con disfonía, incluidos casos diagnósticamente diversos.
• Evidencia directa de que la retroalimentación de avatar sensible a la voz puede provocar un escalado vocal graduado sin orientación explícita del clínico. Es la demostración publicada más cercana a un mecanismo de generalización y transferencia para la terapia vocal: el participante ajusta la salida vocal a demandas ambientales funcionales, en tiempo real, en respuesta a una retroalimentación contextual no verbal.
• Patrón conductual comparable entre los grupos vocalmente sano y con disfonía para la intensidad, con flexibilidad tonal limitada en el grupo con disfonía. El hallazgo de SPL sugiere que el mecanismo contextual está intacto en los hablantes con trastorno vocal; el hallazgo de f0 es coherente con la literatura vocal más amplia sobre la flexibilidad fonatoria reducida en la fonación trastornada.

Específicamente para Therapy withVR: este trabajo probó IVS, no Therapy withVR. El principio más amplio que respalda (las demandas visuoespaciales graduadas provocan adaptación vocal funcional) es coherente con la lógica que los clínicos ya utilizan al elegir escenas en Therapy withVR para el trabajo vocal. La equivalencia directa del mecanismo de disparo avatar-umbral entre plataformas no se ha estudiado.

Limitaciones

El artículo es explícito sobre lo que este ensayo establece y lo que no:

• El tamaño muestral es pequeño (N = 17; atípicos n = 7). El análisis por subgrupos por diagnóstico vocal no es viable con este N.
• Solo una única sesión. La afirmación central del marco teórico de IVS es una transferencia mejorada a lo largo de sesiones de aprendizaje, lo que este diseño no puede probar.
• Sin condición de control ni comparadora. No hay control basado en imaginería, ni comparador de tratamiento alternativo, ni brazo de lista de espera. Los efectos observados a través de los niveles de IVS son coherentes con la manipulación visuoespacial pero no pueden separarse limpiamente de los efectos de exposición a VR o de novedad.
• Línea de base recogida fuera del casco. La comparación Baseline-a-Normal confunde la demanda de la tarea con el acto de ponerse el casco y entrar en un entorno virtual por primera vez.
• El audio estaba silenciado. El audio ambiente del restaurante (que IVS puede reproducir) se silenció deliberadamente para aislar los efectos visuoespaciales. Es una elección experimental limpia, pero limita la validez ecológica - los restaurantes reales son ruidosos y el ruido es un impulsor conocido del ajuste vocal.
• Contexto virtual único. Solo se probó una escena (el restaurante). La hoja de ruta clínica requiere demostrar el mismo patrón en múltiples contextos (clínica, aula, lugar de trabajo, actuación, contextos médicos).
• El cuestionario de viabilidad fue desarrollado por el autor y no está validado. La retroalimentación abierta es informativa, pero debería tratarse como descriptiva y no psicométrica.
• Conflicto de intereses significativo. El único autor es el inventor de IVS, titular de una solicitud de patente estadounidense sobre la tecnología y único investigador de este estudio. No hay trabajo de fiabilidad entre evaluadores, ni control de calidad por coinvestigadores, ni replicación independiente.
• Límites interaccionales del avatar. La retroalimentación de los participantes señaló la falta de respuesta avatar verbal y gestual como una limitación del realismo percibido. Esta es una prioridad de desarrollo para futuras versiones y también una amenaza significativa para la interpretación de las puntuaciones de Inmersión y Realismo en el piloto actual.

Cómo encaja en el Evidence Hub más amplio

Este estudio forma parte de una línea creciente de trabajo de voz en VR inmersiva centrada en Mount Sinai / Daşdöğen y laboratorios vocales adyacentes:

• Daşdöğen et al. 2023 (Journal of Voice) - el trabajo fundacional de realismo y validez en 31 adultos vocalmente sanos a través de 18 condiciones de entrada sensorial. Estableció que las señales visuales y audiovisuales en VR, no solo las acústicas, modifican la producción vocal.
• Daşdöğen y Hitchcock 2026 (Journal of Voice) - estudio de cantantes formados frente a hablantes no formados usando el módulo Rooms de Therapy withVR. Demostró que las señales de distancia virtual impulsan el escalado vocal de manera diferente en voces formadas frente a no formadas.
• Hoff 2026 (Journal of Voice) - breve meditación basada en VR antes de la terapia vocal. Mecanismo diferente (regulación de la ansiedad de estado en lugar de cueing vocal directo) pero la misma dirección de avance para la adopción de VR en clínicas vocales.
• Leyns et al. 2025 (Journal of Voice) - ECA de entrenamiento vocal de afirmación de género basado en VR utilizando Therapy withVR. Directamente relevante dado que IVS supuestamente está desarrollando módulos vocales de afirmación de género según la comunicación institucional de Mount Sinai.

El panorama más amplio: la voz en VR se está moviendo de “¿la simulación se siente lo suficientemente real para cambiar la conducta?” (en gran parte respondido: sí) a “¿la práctica en la simulación se transfiere al uso vocal del mundo real?” (en gran parte sin respuesta, a la espera de trabajo longitudinal multisesión). Este estudio se sitúa en la frontera - la viabilidad y la señal conductual inmediata están establecidas para una plataforma sensible a la voz a medida; la transferencia es el próximo examen.

Nota sobre la plataforma Immersive VoiceSpace. IVS es distinta de Therapy withVR. Es un sistema de escena única, sensible al umbral vocal, inventado y patentado por el autor del estudio. El informe institucional de Mount Sinai (mayo de 2026, “Hypophonia”) describe el trabajo en curso que extiende IVS a personas con hipofonía parkinsoniana, con módulos planificados para la feminización vocal y contextos adicionales. El estado de PI de IVS no pudo verificarse de forma independiente en el momento de esta revisión (véase el campo funding/COI).