Pilote d'Immersive VoiceSpace VR (N=17, personnes vocalement saines plus personnes avec dysphonie) - les participants ont modulé l'intensité et la hauteur à travers des conditions graduées de restaurant virtuel

Contexte

Le changement vocal est un problème d’apprentissage moteur, pas seulement un problème de connaissance. La rééducation vocale comportementale est efficace pour de nombreuses pathologies vocales, mais les gains obtenus en clinique échouent souvent à se reporter sur la communication quotidienne. La littérature en apprentissage moteur est claire sur les raisons: un changement durable dépend d’une pratique sous des conditions qui ressemblent au contexte cible, et pas seulement de l’exécution du comportement dans une séance structurée. Le Specificity of Learning Principle, le Transfer-Appropriate Processing et l’Encoding Specificity convergent tous sur le même point - lorsque les exigences sensorielles et contextuelles de la pratique correspondent aux exigences de l’usage réel, le transfert est plus fort.

L’usage vocal du monde réel se produit sous des exigences en couches: intention communicative, distance à l’auditeur, pression socio-émotionnelle, taille de la pièce, acoustique de fond et indices visuo-spatiaux qui signalent la quantité de voix nécessaire avant même que la personne ne parle. Les salles de consultation conventionnelles minimisent intentionnellement ces variables, ce qui sert à l’acquisition initiale mais sous-représente précisément les indices dont la théorie de l’apprentissage dit que la généralisation dépend.

La réalité virtuelle immersive offre un moyen contrôlé de réintroduire ces indices. L’étude multisensorielle de Daşdöğen 2023 (dans ce Hub) a établi que les indices VR visuels et audiovisuels entraînent des adaptations vocales mesurables chez des adultes vocalement sains, au-delà de ce que produit la simulation acoustique seule. L’étude 2026 sur les chanteurs entraînés (aussi dans ce Hub) a prolongé cela en comparant locuteurs experts et non entraînés. La présente étude franchit l’étape suivante: le même effet se maintient-il dans une population vocale clinique, et une plateforme VR sur mesure répondant à la voix est-elle faisable à utiliser dans cette population.

Ce que les chercheurs ont fait

Un pilote intra-sujets à Mount Sinai avec 17 adultes: 10 locuteurs vocalement sains recrutés dans la clinique d’otolaryngologie et le personnel hospitalier, et 7 personnes avec dysphonie recrutées lors de consultations de routine d’évaluation vocale (diagnostics incluant presbyphonie, polype des cordes vocales, parésie des cordes vocales, dysphonie de tension musculaire et soins vocaux d’affirmation de genre).

L’intervention était Immersive VoiceSpace (IVS) - une plateforme VR sur mesure développée par l’auteur unique. IVS a rendu un restaurant virtuel peu fréquenté sur un casque Oculus Quest 3. Un personnage non-joueur de serveur servait de cible auditrice. Le serveur réagissait en temps réel à la voix du participant: si l’intensité vocale atteignait un seuil prédéfini, le serveur s’approchait et restait en posture d’écoute; si elle restait en dessous du seuil plus longtemps qu’une temporisation définie, le serveur s’éloignait.

Trois paramètres étaient gradués à travers les conditions:

• Distance à l’auditeur - 5 m (Normal), 10 m (Effortful), 15 m (Calling)
• Seuil d’activation vocale - +3 dB, +5 dB, +10 dB au-dessus du SPL de la condition baseline propre à chaque participant
• Temporisation de départ - 5 s, 10 s, 20 s

La tâche de parole dans les quatre conditions était la même: “Commandez une boisson, une entrée, un plat et un dessert.” La condition Baseline a été réalisée avec un membre de l’équipe de recherche jouant l’auditeur dans la salle clinique à ~2 m. Les trois conditions IVS ont été réalisées dans le restaurant virtuel dans un ordre randomisé.

Pour isoler les effets visuo-spatiaux, l’audio ambiant du restaurant (conversations de fond et bruits de couverts, qu’IVS peut diffuser) a été coupé dans toutes les conditions expérimentales. L’enregistrement acoustique a été réalisé avec un microphone à condensateur AKG C520 monté sur la tête à 7 cm de la bouche, calibré à une référence de 30 cm, capté à 44,1 kHz / 16 bits via Computerized Speech Lab (CSL).

Critères de jugement: niveau de pression acoustique (SPL, dB) et fréquence fondamentale moyenne en parole (f0 moyenne, Hz), chacun extrait de CSL et analysé dans des modèles linéaires séparés à effets mixtes avec une ordonnée à l’origine aléatoire par sujet. Effets fixes: Groupe (Typique, Atypique) et Condition de tâche (Baseline, Normal, Effortful, Calling). L’interaction Groupe x Condition de tâche a été conservée pour la f0 moyenne (significative) et retirée du modèle final SPL (non significative). Les effets fixes ont été évalués avec des sommes de carrés de type III et des degrés de liberté approximés par Kenward-Roger; les contrastes par paires ont utilisé les moyennes marginales estimées avec correction de Tukey.

Un questionnaire Likert à 5 points (développé par l’auteur, pas encore validé) a capté quatre domaines après la séance: Utilisabilité et Interaction, Immersion et Réalisme, Engagement et Bénéfice perçu, Confort et Sécurité. Les scores de domaine ont été moyennés; un indice global de faisabilité était la moyenne des quatre domaines. Les retours libres ont été examinés de façon descriptive.

Ce qu’ils ont trouvé

Niveau de pression acoustique. Un effet principal significatif de Niveau IVS: F(3, 48) = 33,94, p < 0,001. Par rapport à la Baseline, le SPL a augmenté de 3,83 dB à Normal, 7,41 dB à Effortful et 9,04 dB à Calling (tous p < 0,001). Les contrastes par paires Normal-vers-Effortful et Normal-vers-Calling étaient significatifs; le palier de 1,63 dB d’Effortful à Calling ne l’était pas (p = 0,450), ce qui suggère un schéma proche d’un plafond au niveau d’exigence le plus élevé. L’effet principal de Groupe était également significatif: les personnes avec dysphonie ont produit en moyenne environ 6,88 dB de SPL en moins que les locuteurs vocalement sains. L’interaction Groupe x Niveau était non significative et a donc été retirée du modèle SPL final - les deux groupes ont augmenté l’intensité en parallèle à mesure que les exigences de la tâche montaient.

f0 moyenne en parole. Un effet principal significatif de Niveau IVS: F(3, 45) = 17,63, p < 0,001. Augmentations par paliers par rapport à la Baseline (ordonnée à l’origine ≈ 201,8 Hz pour le groupe typique) d’environ 36 Hz à Normal (p = 0,008), 66,6 Hz à Effortful (p < 0,001) et 103,9 Hz à Calling (p < 0,001). L’effet principal de Groupe était significatif, mais l’interaction Niveau x Groupe l’était également: F(3, 45) = 3,94, p = 0,014. Décomposition de l’interaction: à la Baseline les groupes ne différaient pas en f0 moyenne (p = 0,102); à Normal la différence approchait sans atteindre la significativité (p = 0,055); à Effortful (p = 0,003) et Calling (p < 0,001) l’écart était significatif et croissait avec les exigences. Le groupe avec dysphonie a augmenté la hauteur avec les exigences, mais dans une moindre mesure que le groupe vocalement sain.

Faisabilité. Scores de domaine (sur 5): Utilisabilité et Interaction 3,9 (modéré-bon), Immersion et Réalisme 3,4 (modéré, le domaine le plus faible), Engagement et Bénéfice perçu 4,0 (bon), Confort et Sécurité 4,5 (excellent). Indice global de faisabilité 4,0 (bon). Aucun événement indésirable, aucun cybersickness, aucune interruption technique sur le protocole. Temps moyen de reconfiguration des paramètres entre essais d’environ 2 minutes. Durée totale de séance d’environ 20 minutes par participant.

Retours qualitatifs. Les participants ont décrit l’expérience comme “amusante,” “comme un jeu vidéo,” et “une façon réaliste de pratiquer l’usage vocal.” Ils ont mis en avant le comportement vivant et réactif du serveur comme l’élément le plus engageant. Le retour négatif le plus constant concernait le comportement interactionnel limité du serveur - les participants voulaient des réponses verbales, des expressions faciales et des gestes pendant les tours d’écoute pour rendre l’interaction plus naturelle.

Pourquoi cela compte

Pour l’Evidence Hub, trois choses sont importantes dans cet article:

• Première utilisation publiée en population clinique d’une plateforme VR sur mesure répondant à la voix. Les travaux antérieurs de VR vocale immersive (y compris Daşdöğen 2023 et Daşdöğen 2026 chanteurs entraînés) portaient en grande partie sur des adultes vocalement sains. Cette étude étend aux personnes avec dysphonie, y compris des cas diagnostiquement diversifiés.
• Preuve directe que le feedback avatar répondant à la voix peut susciter une mise à l’échelle vocale graduée sans guidage explicite du clinicien. C’est la démonstration publiée la plus proche d’un mécanisme de généralisation et de transfert pour la rééducation vocale: le participant ajuste sa production vocale aux exigences environnementales fonctionnelles, en temps réel, en réponse à un feedback contextuel non verbal.
• Schéma comportemental comparable entre les groupes vocalement sain et avec dysphonie pour l’intensité, avec une flexibilité tonale contrainte dans le groupe avec dysphonie. Le résultat SPL suggère que le mécanisme contextuel est intact chez les locuteurs avec trouble vocal; le résultat f0 est cohérent avec la littérature vocale plus large sur la flexibilité phonatoire réduite dans la phonation troublée.

Pour Therapy withVR spécifiquement: ce travail a testé IVS, pas Therapy withVR. Le principe plus large qu’il soutient (les exigences visuo-spatiales graduées suscitent une adaptation vocale fonctionnelle) est cohérent avec la rationale que les cliniciens utilisent déjà lorsqu’ils choisissent des scènes dans Therapy withVR pour le travail vocal. L’équivalence directe du mécanisme de déclenchement avatar-seuil entre plateformes n’a pas été étudiée.

Limites

L’article est explicite sur ce que cet essai établit et n’établit pas:

• L’échantillon est petit (N = 17; atypiques n = 7). L’analyse en sous-groupes par diagnostic vocal n’est pas faisable à ce N.
• Une seule séance. La revendication centrale du cadre théorique IVS est un transfert amélioré au fil des séances d’apprentissage, ce que ce design ne peut pas tester.
• Pas de condition contrôle ni comparatrice. Il n’y a pas de contrôle basé sur l’imagerie, pas de comparateur de traitement alternatif et pas de bras en liste d’attente. Les effets observés à travers les niveaux IVS sont cohérents avec la manipulation visuo-spatiale, mais ne peuvent pas être proprement séparés des effets d’exposition VR ou de nouveauté.
• Baseline recueillie hors du casque. La comparaison Baseline-vers-Normal confond l’exigence de la tâche avec l’acte de mettre le casque et d’entrer dans un environnement virtuel pour la première fois.
• L’audio était coupé. Le bruit ambiant du restaurant (qu’IVS peut diffuser) a été délibérément silencié pour isoler les effets visuo-spatiaux. C’est un choix expérimental propre mais qui contraint la validité écologique - les vrais restaurants sont bruyants, et le bruit est un moteur connu d’ajustement vocal.
• Contexte virtuel unique. Une seule scène (le restaurant) a été testée. La feuille de route clinique exige de démontrer le même schéma à travers plusieurs contextes (clinique, salle de classe, lieu de travail, performance, milieux médicaux).
• Le questionnaire de faisabilité a été développé par l’auteur et n’est pas validé. Les retours libres sont informatifs mais devraient être traités comme descriptifs plutôt que psychométriques.
• Conflit d’intérêts important. L’auteur unique est l’inventeur d’IVS, titulaire d’une demande de brevet américain sur la technologie et seul investigateur de cette étude. Il n’y a pas de travail de fidélité inter-juges, pas de contrôle qualité par co-investigateur et pas de réplication indépendante.
• Limites interactionnelles de l’avatar. Les retours des participants ont signalé l’absence de réponse avatar verbale et gestuelle comme une contrainte sur le réalisme perçu. C’est une priorité de développement pour les versions futures et également une menace significative pour l’interprétation des scores d’Immersion et Réalisme dans le pilote actuel.

Comment cela s’inscrit dans l’Evidence Hub plus large

Cette étude fait partie d’un fil de plus en plus dense de travaux sur la voix en VR immersive centrés sur Mount Sinai / Daşdöğen et les laboratoires vocaux adjacents:

• Daşdöğen et al. 2023 (Journal of Voice) - le travail fondateur de réalisme et validité chez 31 adultes vocalement sains à travers 18 conditions d’entrée sensorielle. A établi que les indices VR visuels et audiovisuels, et pas seulement les indices acoustiques, modifient la production vocale.
• Daşdöğen et Hitchcock 2026 (Journal of Voice) - étude chanteurs entraînés vs locuteurs non entraînés utilisant le module Rooms de Therapy withVR. A montré que les indices de distance virtuelle entraînent une mise à l’échelle vocale différente dans les voix entraînées versus non entraînées.
• Hoff 2026 (Journal of Voice) - brève méditation basée sur la VR avant la rééducation vocale. Mécanisme différent (régulation de l’anxiété d’état plutôt que cueing vocal direct) mais même trajectoire pour l’adoption de la VR dans les cliniques vocales.
• Leyns et al. 2025 (Journal of Voice) - ECR de rééducation vocale d’affirmation de genre basée sur la VR utilisant Therapy withVR. Directement pertinent puisque IVS développerait des modules vocaux d’affirmation de genre selon la communication institutionnelle de Mount Sinai.

Le paysage plus large: la VR vocale passe de “la simulation paraît-elle assez réelle pour changer le comportement” (largement résolu: oui) à “la pratique dans la simulation se transfère-t-elle à l’usage vocal du monde réel” (en grande partie non résolu, en attente de travaux longitudinaux multiséances). Cette étude se situe à la frontière - la faisabilité et le signal comportemental immédiat sont établis pour une plateforme sur mesure répondant à la voix; le transfert est la prochaine épreuve.

Note sur la plateforme Immersive VoiceSpace. IVS est distinct de Therapy withVR. C’est un système à scène unique, répondant aux seuils vocaux, inventé et breveté par l’auteur de l’étude. Le rapport institutionnel de Mount Sinai (mai 2026, “Hypophonia”) décrit des travaux en cours étendant IVS aux personnes atteintes d’hypophonie parkinsonienne, avec des modules prévus pour la féminisation vocale et des contextes supplémentaires. Le statut de PI d’IVS n’a pas pu être vérifié indépendamment au moment de cette revue (voir le champ funding/COI).