Pilot di Immersive VoiceSpace VR (N=17, persone vocalmente sane più persone con disfonia) - i partecipanti hanno modulato intensità e altezza attraverso condizioni graduate di ristorante virtuale

Contesto

Il cambiamento vocale è un problema di apprendimento motorio, non solo un problema di conoscenza. La terapia vocale comportamentale è efficace per molte patologie vocali, ma i progressi in clinica spesso non si traducono nella comunicazione quotidiana. La letteratura sull’apprendimento motorio è chiara sul perché: il cambiamento duraturo dipende dalla pratica in condizioni che assomigliano al contesto target, non solo dall’esecuzione del comportamento in una sessione strutturata. Lo Specificity of Learning Principle, il Transfer-Appropriate Processing e l’Encoding Specificity convergono tutti sullo stesso punto - quando le richieste sensoriali e contestuali della pratica corrispondono alle richieste dell’uso reale, il transfer è più forte.

L’uso vocale nel mondo reale avviene sotto richieste stratificate: intenzione comunicativa, distanza dall’ascoltatore, pressione socio-emotiva, dimensioni della stanza, acustica di fondo e cue visuo-spaziali che segnalano quanta voce sia necessaria prima ancora che una persona parli. Le tradizionali stanze cliniche minimizzano intenzionalmente queste variabili, il che è utile per l’acquisizione iniziale ma sottorappresenta proprio quei cue da cui, secondo la teoria dell’apprendimento, dipende la generalizzazione.

La realtà virtuale immersiva offre un modo controllato per reintrodurre quei cue. Lo studio multisensoriale di Daşdöğen del 2023 (in questo Hub) ha stabilito che i cue VR visivi e audiovisivi guidano adattamenti vocali misurabili in adulti vocalmente sani, oltre a quanto produce la sola simulazione acustica. Lo studio del 2026 sui cantanti formati (anch’esso in questo Hub) ha esteso questo al confronto tra parlanti esperti e non formati. Il presente studio compie il passo successivo: lo stesso effetto regge in una popolazione vocale clinica, ed è fattibile usare una piattaforma VR voice-responsive su misura in quella popolazione.

Cosa hanno fatto i ricercatori

Un pilot within-subjects a Mount Sinai con 17 adulti: 10 parlanti vocalmente sani reclutati dalla clinica di otorinolaringoiatria e dal personale ospedaliero, e 7 persone con disfonia reclutate durante visite di valutazione vocale di routine (diagnosi comprendenti presbifonia, polipo delle corde vocali, paresi delle corde vocali, disfonia da tensione muscolare e cure vocali di affermazione di genere).

L’intervento era Immersive VoiceSpace (IVS) - una piattaforma VR su misura sviluppata dall’unico autore. IVS visualizzava un ristorante virtuale poco popolato su un visore Oculus Quest 3. Un personaggio non giocante (cameriere) fungeva da bersaglio di ascolto. Il cameriere rispondeva in tempo reale alla voce del partecipante: se l’intensità vocale raggiungeva una soglia preimpostata, il cameriere si avvicinava e restava in posizione di ascolto; se scendeva sotto la soglia per più di un timeout impostato, il cameriere si allontanava.

Tre parametri sono stati graduati nelle condizioni:

• Distanza dall’ascoltatore - 5 m (Normal), 10 m (Effortful), 15 m (Calling)
• Soglia di attivazione vocale - +3 dB, +5 dB, +10 dB sopra l’SPL della condizione baseline di ciascun partecipante
• Timeout di allontanamento - 5 s, 10 s, 20 s

Il compito di parlato in tutte e quattro le condizioni era lo stesso: “Ordina una bevanda, un antipasto, un primo e un dessert.” La condizione Baseline è stata eseguita con un membro del team di ricerca che fungeva da ascoltatore nella stanza clinica a ~2 m. Le tre condizioni IVS sono state eseguite nel ristorante virtuale in ordine randomizzato.

Per isolare gli effetti visuo-spaziali, l’audio ambientale del ristorante (conversazioni di sfondo e rumori di stoviglie, che IVS può riprodurre) è stato silenziato in tutte le condizioni sperimentali. La registrazione acustica è stata effettuata tramite un microfono a condensatore AKG C520 montato sulla testa a 7 cm dalla bocca, calibrato a un riferimento di 30 cm, acquisito a 44,1 kHz / 16 bit via Computerized Speech Lab (CSL).

Esiti: livello di pressione sonora (SPL, dB) e frequenza fondamentale media di parlato (f0 media, Hz), ciascuno estratto da CSL e analizzato in modelli lineari a effetti misti separati con intercetta casuale per soggetto. Gli effetti fissi erano Gruppo (Tipico, Atipico) e Condizione di Compito (Baseline, Normal, Effortful, Calling). L’interazione Gruppo x Condizione di Compito è stata mantenuta per la f0 media (significativa) e rimossa dal modello finale SPL (non significativa). Gli effetti fissi sono stati valutati con somme dei quadrati di Tipo III e gradi di libertà approssimati con Kenward-Roger; i contrasti a coppie hanno usato medie marginali stimate con correzione di Tukey.

Un questionario Likert a 5 punti (sviluppato dall’autore, non ancora validato) ha catturato quattro domini dopo la sessione: Usabilità e Interazione, Immersione e Realismo, Coinvolgimento e Beneficio Percepito, Comfort e Sicurezza. I punteggi di dominio sono stati mediati; un indice complessivo di fattibilità era la media dei quattro domini. Il feedback in testo libero è stato esaminato in modo descrittivo.

Cosa hanno trovato

Livello di pressione sonora. Un effetto principale significativo del Livello IVS: F(3, 48) = 33,94, p < 0,001. Rispetto alla Baseline, l’SPL è aumentato di 3,83 dB a Normal, 7,41 dB a Effortful e 9,04 dB a Calling (tutti p < 0,001). I contrasti a coppie Normal-vs-Effortful e Normal-vs-Calling erano significativi; il salto di 1,63 dB da Effortful a Calling non lo era (p = 0,450), suggerendo un pattern di tipo soffitto al massimo livello di richiesta. Anche l’effetto principale di Gruppo era significativo: le persone con disfonia hanno prodotto in media circa 6,88 dB di SPL in meno rispetto ai parlanti vocalmente sani. L’interazione Gruppo x Livello non era significativa ed è stata quindi rimossa dal modello finale SPL - entrambi i gruppi hanno aumentato l’intensità in parallelo all’aumento delle richieste del compito.

f0 media di parlato. Un effetto principale significativo del Livello IVS: F(3, 45) = 17,63, p < 0,001. Incrementi a gradini rispetto alla Baseline (intercetta ≈ 201,8 Hz per il gruppo tipico) di circa 36 Hz a Normal (p = 0,008), 66,6 Hz a Effortful (p < 0,001) e 103,9 Hz a Calling (p < 0,001). L’effetto principale di Gruppo era significativo, ma anche l’interazione Livello x Gruppo lo era: F(3, 45) = 3,94, p = 0,014. Decomposizione dell’interazione: alla Baseline i gruppi non differivano nella f0 media (p = 0,102); a Normal la differenza si avvicinava senza raggiungere la significatività (p = 0,055); a Effortful (p = 0,003) e Calling (p < 0,001) il divario era significativo e cresceva con le richieste del compito. Il gruppo con disfonia ha alzato l’altezza con le richieste, ma in misura minore rispetto al gruppo vocalmente sano.

Fattibilità. Punteggi di dominio (su 5): Usabilità e Interazione 3,9 (moderato-buono), Immersione e Realismo 3,4 (moderato, il dominio più basso), Coinvolgimento e Beneficio Percepito 4,0 (buono), Comfort e Sicurezza 4,5 (eccellente). Indice complessivo di fattibilità 4,0 (buono). Nessun evento avverso, nessuna cybersickness, nessuna interruzione tecnica durante il protocollo. Tempo medio di riconfigurazione dei parametri tra le prove di circa 2 minuti. Durata totale della sessione di circa 20 minuti per partecipante.

Feedback qualitativo. I partecipanti hanno descritto l’esperienza come “divertente,” “come un videogioco” e “un modo realistico di esercitare l’uso vocale.” Hanno evidenziato il comportamento vivo e reattivo del cameriere come l’elemento più coinvolgente. Il feedback negativo più costante riguardava il comportamento interazionale limitato del cameriere - i partecipanti volevano risposte verbali, espressioni facciali e gesti durante i turni di ascolto per rendere l’interazione più naturale.

Perché tutto questo è importante

Per l’Evidence Hub, tre cose sono importanti in questo articolo:

• Primo uso pubblicato in popolazione clinica di una piattaforma VR voice-responsive su misura. I precedenti lavori di voce in VR immersiva (compresi Daşdöğen 2023 e Daşdöğen 2026 cantanti formati) sono stati in gran parte su adulti vocalmente sani. Questo studio estende a persone con disfonia, inclusi casi diagnosticamente diversi.
• Prova diretta che il feedback avatar voice-responsive può suscitare scalatura vocale graduata senza esplicita guida del clinico. Questa è la dimostrazione pubblicata più vicina a un meccanismo di generalizzazione e transfer per la terapia vocale: il partecipante adatta l’output vocale alle richieste ambientali funzionali, in tempo reale, in risposta a un feedback contestuale non verbale.
• Pattern comportamentale comparabile tra gruppi vocalmente sani e con disfonia per l’intensità, con flessibilità tonale limitata nel gruppo con disfonia. Il risultato SPL suggerisce che il meccanismo contestuale è intatto nei parlanti con disturbi vocali; il risultato f0 è coerente con la più ampia letteratura sulla voce relativa alla ridotta flessibilità fonatoria nella fonazione disturbata.

Per Therapy withVR specificamente: questo lavoro ha testato IVS, non Therapy withVR. Il principio più ampio che supporta (richieste visuo-spaziali graduate suscitano adattamento vocale funzionale) è coerente con la logica che i clinici già usano quando scelgono scene in Therapy withVR per il lavoro vocale. L’equivalenza diretta del meccanismo di trigger avatar-soglia tra piattaforme non è stata studiata.

Limiti

L’articolo è esplicito su ciò che questo trial stabilisce e non stabilisce:

• La dimensione del campione è piccola (N = 17; atipici n = 7). L’analisi di sottogruppo per diagnosi vocale non è fattibile a questo N.
• Solo una singola sessione. L’affermazione centrale del quadro teorico IVS è il transfer migliorato attraverso sessioni di apprendimento, che questo design non può testare.
• Nessuna condizione di controllo o di confronto. Non vi è alcun controllo basato sull’immaginario, nessun comparatore di trattamento alternativo e nessun braccio di lista d’attesa. Gli effetti osservati attraverso i livelli IVS sono coerenti con la manipolazione visuo-spaziale ma non possono essere separati nettamente dagli effetti di esposizione VR o novità.
• Baseline raccolta fuori dal visore. Il confronto Baseline-vs-Normal confonde la richiesta del compito con l’atto di indossare il visore ed entrare per la prima volta in un ambiente virtuale.
• L’audio era silenziato. L’audio ambientale del ristorante (che IVS può riprodurre) è stato volutamente silenziato per isolare gli effetti visuo-spaziali. È una scelta sperimentale pulita ma limita la validità ecologica - i ristoranti reali sono rumorosi, e il rumore è un noto driver di adattamento vocale.
• Singolo contesto virtuale. È stata testata solo una scena (il ristorante). La roadmap clinica richiede di dimostrare lo stesso pattern in molteplici contesti (clinica, aula, posto di lavoro, performance, contesti medici).
• Il questionario di fattibilità è stato sviluppato dall’autore e non è validato. Il feedback aperto è informativo ma dovrebbe essere trattato come descrittivo e non psicometrico.
• Significativo conflitto di interessi. L’unico autore è l’inventore di IVS, il titolare di una domanda di brevetto statunitense sulla tecnologia e l’unico sperimentatore di questo studio. Non vi è alcun lavoro di affidabilità inter-valutatori, nessun controllo di qualità da co-sperimentatori e nessuna replicazione indipendente.
• Limiti interazionali dell’avatar. Il feedback dei partecipanti ha segnalato la mancanza di risposta avatar verbale e gestuale come un vincolo sul realismo percepito. Questa è una priorità di sviluppo per le versioni future ed è anche una minaccia significativa all’interpretazione dei punteggi di Immersione e Realismo nel pilot attuale.

Come si inserisce nel più ampio Evidence Hub

Questo studio fa parte di un filone in crescita di lavoro vocale in VR immersiva centrato su Mount Sinai / Daşdöğen e laboratori vocali adiacenti:

• Daşdöğen et al. 2023 (Journal of Voice) - il lavoro fondante di realismo e validità in 31 adulti vocalmente sani su 18 condizioni di input sensoriale. Ha stabilito che i cue VR visivi e audiovisivi, non solo quelli acustici, modificano l’output vocale.
• Daşdöğen e Hitchcock 2026 (Journal of Voice) - studio su cantanti formati vs parlanti non formati usando il modulo Rooms di Therapy withVR. Ha mostrato che i cue di distanza virtuale guidano la scalatura vocale in modo diverso nelle voci formate rispetto a quelle non formate.
• Hoff 2026 (Journal of Voice) - breve meditazione basata su VR prima della terapia vocale. Meccanismo diverso (regolazione dell’ansia di stato piuttosto che cueing vocale diretto), ma stessa direzione di marcia per l’adozione della VR nelle cliniche vocali.
• Leyns et al. 2025 (Journal of Voice) - RCT di training vocale di affermazione di genere basato su VR usando Therapy withVR. Direttamente rilevante dato che IVS starebbe sviluppando moduli vocali di affermazione di genere secondo la rendicontazione istituzionale di Mount Sinai.

Il panorama più ampio: la VR vocale si sta spostando da “la simulazione è abbastanza reale da modificare il comportamento” (in gran parte risposto: sì) a “la pratica nella simulazione si trasferisce all’uso vocale reale” (in gran parte non risposto, in attesa di lavoro longitudinale multisessione). Questo studio si trova al confine - fattibilità e segnale comportamentale immediato sono stabiliti per una piattaforma voice-responsive su misura; il transfer è la prossima prova.

Nota sulla piattaforma Immersive VoiceSpace. IVS è distinta da Therapy withVR. È un sistema a scena singola, voice-threshold-responsive, inventato e brevettato dall’autore dello studio. Il rapporto istituzionale di Mount Sinai (maggio 2026, “Hypophonia”) descrive il lavoro in corso che estende IVS a persone con ipofonia da malattia di Parkinson, con moduli pianificati per la femminilizzazione vocale e ulteriori contesti. Lo stato di IP di IVS non è stato verificabile in modo indipendente al momento di questa revisione (si veda il campo funding/COI).