Pilot av Immersive VoiceSpace VR (N=17, vokalt friske pluss personer med dysfoni) - deltakerne skalerte styrke og tonehøyde gjennom graderte virtuelle restaurantbetingelser

Bakgrunn

Stemmeendring er et motorisk læringsproblem, ikke bare et kunnskapsproblem. Atferdsbasert stemmebehandling er effektiv for mange stemmelidelser, men gevinstene i klinikken klarer ofte ikke å overføres til daglig kommunikasjon. Litteraturen om motorisk læring er klar på hvorfor: varig endring avhenger av å øve under betingelser som ligner målkonteksten, ikke bare på å utføre atferden i en strukturert sesjon. Specificity of Learning Principle, Transfer-Appropriate Processing og Encoding Specificity peker alle mot det samme - når de sensoriske og kontekstuelle kravene i øvingen samsvarer med kravene i den reelle bruken, blir overføringen sterkere.

Reell stemmebruk skjer under lagdelte krav: kommunikativ intensjon, lytteravstand, sosialt-emosjonelt press, romstørrelse, bakgrunnsakustikk og visuelt-romlige cues som signaliserer hvor mye stemme som trengs før en person engang taler. Konvensjonelle klinikkrom minimerer disse variablene bevisst, noe som tjener innledende tilegnelse, men underrepresenterer akkurat de cuesene som læringsteorien sier at generaliseringen avhenger av.

Immersiv virtuell virkelighet tilbyr en kontrollert måte å sette disse cuesene tilbake. Daşdöğens multisensoriske studie fra 2023 (i denne Hub) etablerte at visuelle og audiovisuelle VR-cues driver målbare stemmetilpasninger hos vokalt friske voksne, utover hva akustisk simulering alene gir. Studien fra 2026 om trente sangere (også i denne Hub) utvidet dette til å sammenligne ekspert- og utrente talere. Denne studien tar neste skritt: holder den samme effekten i en klinisk stemmepopulasjon, og er en spesialbygd stemmeresponsiv VR-plattform gjennomførbar å bruke i denne populasjonen.

Hva forskerne gjorde

En within-subjects-pilot ved Mount Sinai med 17 voksne: 10 vokalt friske talere rekruttert fra ØNH-klinikk og sykehuspersonell, og 7 personer med dysfoni rekruttert under rutinemessige stemmeutredninger (diagnoser inkluderte presbyfoni, stemmebåndspolypp, stemmebåndsparese, muskelspenningsdysfoni og kjønnsbekreftende stemmebehandling).

Intervensjonen var Immersive VoiceSpace (IVS) - en spesialbygd VR-plattform utviklet av eneste forfatter. IVS renderte en lett befolket virtuell restaurant på et Oculus Quest 3 headset. En servitør-NPC fungerte som lyttermål. Servitøren reagerte i sanntid på deltakerens stemme: hvis stemmeintensiteten nådde en forhåndsdefinert terskel, nærmet servitøren seg og ble stående i lytteposisjon; hvis den falt under terskelen lenger enn et fastsatt timeout, gikk servitøren bort.

Tre parametre ble gradert på tvers av betingelsene:

• Lytteravstand - 5 m (Normal), 10 m (Effortful), 15 m (Calling)
• Stemmeaktiveringsterskel - +3 dB, +5 dB, +10 dB over hver deltakers egen baseline-SPL
• Bortgangs-timeout - 5 s, 10 s, 20 s

Taleoppgaven på tvers av alle fire betingelser var den samme: “Bestill en drikke, en forrett, en hovedrett og en dessert.” Baseline-betingelsen ble utført med et forskningsteammedlem som lytter i klinikkrommet på ~2 m. De tre IVS-betingelsene ble utført i den virtuelle restauranten i randomisert rekkefølge.

For å isolere visuelt-romlige effekter ble restaurantens omgivelseslyd (bakgrunnssamtaler og bestikklyder, som IVS kan spille av) dempet på tvers av alle eksperimentelle betingelser. Det akustiske opptaket ble gjort gjennom en hodemontert AKG C520 kondensatormikrofon 7 cm fra munnen, kalibrert til 30 cm referanse, fanget med 44,1 kHz / 16 bit via Computerized Speech Lab (CSL).

Utfall: lydtrykknivå (SPL, dB) og gjennomsnittlig grunnleggende talefrekvens (gjennomsnittlig f0, Hz), hver ekstrahert fra CSL og analysert i separate lineære blandet-effekter-modeller med et tilfeldig skjæringspunkt for individ. Faste effekter var Gruppe (Typisk, Atypisk) og Oppgavebetingelse (Baseline, Normal, Effortful, Calling). Gruppe x Oppgavebetingelse-interaksjonen ble beholdt for gjennomsnittlig f0 (signifikant) og fjernet fra den endelige SPL-modellen (ikke-signifikant). Faste effekter ble evaluert med Type III kvadratsummer og Kenward-Roger-tilnærmede frihetsgrader; parvise kontraster brukte estimerte marginale gjennomsnitt med Tukey-korreksjon.

Et 5-punkts Likert-spørreskjema (utviklet av forfatteren, ennå ikke validert) fanget fire domener etter sesjonen: Brukbarhet og Interaksjon, Innlevelse og Realisme, Engasjement og Opplevd Nytte, Komfort og Sikkerhet. Domenescorer ble gjennomsnittsberegnet; en samlet gjennomførbarhetsindeks var gjennomsnittet av de fire domenene. Åpen tilbakemelding ble gjennomgått deskriptivt.

Hva de fant

Lydtrykknivå. En signifikant hovedeffekt av IVS-nivå: F(3, 48) = 33,94, p < 0,001. Sammenlignet med Baseline økte SPL med 3,83 dB ved Normal, 7,41 dB ved Effortful og 9,04 dB ved Calling (alle p < 0,001). Parvise kontraster Normal-til-Effortful og Normal-til-Calling var signifikante; trinnet på 1,63 dB fra Effortful til Calling var det ikke (p = 0,450), noe som antyder et takmønster på det høyeste kravnivået. Gruppe-hovedeffekten var også signifikant: personer med dysfoni produserte i gjennomsnitt omtrent 6,88 dB lavere SPL enn vokalt friske talere. Gruppe x Nivå-interaksjonen var ikke-signifikant og ble derfor fjernet fra den endelige SPL-modellen - begge gruppene økte styrken parallelt etter hvert som oppgavekravene steg.

Gjennomsnittlig tale-f0. En signifikant hovedeffekt av IVS-nivå: F(3, 45) = 17,63, p < 0,001. Trinnvise økninger sammenlignet med Baseline (skjæringspunkt ≈ 201,8 Hz for den typiske gruppen) på omtrent 36 Hz ved Normal (p = 0,008), 66,6 Hz ved Effortful (p < 0,001) og 103,9 Hz ved Calling (p < 0,001). Gruppe-hovedeffekten var signifikant, men Nivå x Gruppe-interaksjonen var også signifikant: F(3, 45) = 3,94, p = 0,014. Dekomponering av interaksjonen: ved Baseline skilte gruppene seg ikke i gjennomsnittlig f0 (p = 0,102); ved Normal nærmet forskjellen seg uten å nå signifikans (p = 0,055); ved Effortful (p = 0,003) og Calling (p < 0,001) var gapet signifikant og økte med oppgavekravene. Dysfonigruppen hevet tonehøyden med oppgavekravene, men i mindre grad enn den vokalt friske gruppen.

Gjennomførbarhet. Domenescorer (av 5): Brukbarhet og Interaksjon 3,9 (moderat-god), Innlevelse og Realisme 3,4 (moderat, det laveste domenet), Engasjement og Opplevd Nytte 4,0 (god), Komfort og Sikkerhet 4,5 (utmerket). Samlet gjennomførbarhetsindeks 4,0 (god). Ingen uønskede hendelser, ingen cybersickness, ingen tekniske avbrudd gjennom protokollen. Gjennomsnittlig parameter-rekonfigurasjonstid mellom forsøk var omtrent 2 minutter. Total sesjonstid var omtrent 20 minutter per deltaker.

Kvalitativ tilbakemelding. Deltakerne beskrev opplevelsen som “morsom,” “som et videospill,” og “en realistisk måte å øve på stemmebruk.” De fremhevet servitørens levende, responsive atferd som det mest engasjerende elementet. Den mest konsistente negative tilbakemeldingen var servitørens begrensede interaksjonelle atferd - deltakerne ønsket verbale svar, ansiktsuttrykk og gester under lyttesekvensene for å gjøre interaksjonen mer naturlig.

Hvorfor dette betyr noe

For Evidence Hub er tre ting viktige ved denne artikkelen:

• Første publiserte bruk i klinisk populasjon av en spesialbygd stemmeresponsiv VR-plattform. Tidligere immersivt VR-stemmearbeid (inkludert Daşdöğen 2023 og Daşdöğen 2026 trente sangere) var stort sett hos vokalt friske voksne. Denne studien utvider til personer med dysfoni, inkludert diagnostisk mangfoldige tilfeller.
• Direkte bevis for at stemmeresponsiv avatar-tilbakemelding kan fremkalle gradert stemmeskalering uten eksplisitt klinikerveiledning. Dette er den nærmeste publiserte demonstrasjonen av en generaliserings- og overføringsmekanisme for stemmebehandling: deltakeren justerer stemmeproduksjon til funksjonelle miljøkrav, i sanntid, som respons på non-verbal kontekstuell tilbakemelding.
• Sammenlignbart atferdsmønster på tvers av vokalt friske og dysfoni-grupper for styrke, med begrenset tonehøydefleksibilitet i dysfonigruppen. SPL-funnet antyder at den kontekstuelle mekanismen er intakt hos stemmeforstyrrede talere; f0-funnet er i samsvar med den bredere stemmelitteraturen om redusert fonatorisk fleksibilitet ved forstyrret fonasjon.

For Therapy withVR spesifikt: dette arbeidet testet IVS, ikke Therapy withVR. Det bredere prinsippet det støtter (graderte visuelt-romlige krav fremkaller funksjonell stemmetilpasning) er i samsvar med den begrunnelsen klinikere allerede bruker når de velger scener i Therapy withVR for stemmearbeid. Direkte ekvivalens av avatar-terskel-triggermekanismen mellom plattformer er ikke studert.

Begrensninger

Artikkelen er eksplisitt på hva denne studien etablerer og ikke etablerer:

• Utvalget er lite (N = 17; atypisk n = 7). Subgruppeanalyse etter stemmediagnose er ikke gjennomførbar med dette N.
• Bare én sesjon. Den sentrale påstanden i det teoretiske IVS-rammeverket er forbedret overføring over læringssesjoner, noe dette designet ikke kan teste.
• Ingen kontroll- eller sammenligningsbetingelse. Det er ingen forestillingsbasert kontroll, ingen alternativ behandlingssammenligning og ingen ventelistearm. Observerte effekter på tvers av IVS-nivåer er i samsvar med den visuelt-romlige manipulasjonen, men kan ikke skilles rent fra VR-eksponerings- eller nyhetseffekter.
• Baseline samlet utenfor headsettet. Sammenligningen Baseline-til-Normal forveksler oppgavekrav med handlingen å ta på seg headsettet og gå inn i et virtuelt miljø for første gang.
• Lyden var dempet. Restaurantens omgivelseslyd (som IVS kan spille av) ble bevisst dempet for å isolere visuelt-romlige effekter. Dette er et rent eksperimentelt valg, men begrenser den økologiske validiteten - ekte restauranter er støyende, og støy er en kjent driver for stemmejustering.
• Én enkelt virtuell kontekst. Bare én scene (restauranten) ble testet. Det kliniske veikartet krever å demonstrere det samme mønsteret på tvers av flere kontekster (klinikk, klasserom, arbeidsplass, fremføring, medisinske settinger).
• Gjennomførbarhetsspørreskjemaet er utviklet av forfatteren og ikke validert. Åpen tilbakemelding er informativ, men bør behandles som deskriptiv heller enn psykometrisk.
• Betydelig interessekonflikt. Eneforfatteren er oppfinneren av IVS, innehaveren av en amerikansk patentsøknad på teknologien og den eneste utforskeren i denne studien. Det er ingen inter-rater-reliabilitetsarbeid, ingen medforskerkvalitetssjekk og ingen uavhengig replikering.
• Avatar-interaksjonsbegrensninger. Deltakertilbakemelding flagget mangelen på verbal og gestisk avatar-respons som en begrensning på opplevd realisme. Dette er en utviklingsprioritet for fremtidige versjoner og er også en meningsfull trussel mot tolkningen av Innlevelse og Realisme-skårene i den nåværende piloten.

Hvordan dette passer inn i den bredere Evidence Hub

Denne studien er del av en voksende tråd av immersivt VR-stemmearbeid sentrert rundt Mount Sinai / Daşdöğen og tilstøtende stemmelaboratorier:

• Daşdöğen et al. 2023 (Journal of Voice) - det grunnleggende realisme-og-validitet-arbeidet hos 31 vokalt friske voksne på tvers av 18 sensoriske inputbetingelser. Etablerte at visuelle og audiovisuelle VR-cues, ikke bare akustiske, endrer stemmeproduksjonen.
• Daşdöğen og Hitchcock 2026 (Journal of Voice) - studie av trente sangere vs. utrente talere med Rooms-modulen i Therapy withVR. Viste at virtuelle avstandscues driver stemmeskalering ulikt i trente versus utrente stemmer.
• Hoff 2026 (Journal of Voice) - VR-basert kort meditasjon før stemmebehandling. Annen mekanisme (regulering av tilstandsangst snarere enn direkte stemme-cueing), men samme retning for VR-adopsjon i stemmeklinikker.
• Leyns et al. 2025 (Journal of Voice) - RCT av VR-basert kjønnsbekreftende stemmetrening med Therapy withVR. Direkte relevant gitt at IVS angivelig utvikler kjønnsbekreftende stemmemoduler ifølge Mount Sinais institusjonelle rapportering.

Det bredere landskapet: stemme-VR beveger seg fra “føles simuleringen ekte nok til å endre atferd” (i stor grad besvart: ja) til “overføres øvingen i simuleringen til reell stemmebruk” (i stor grad ubesvart, i påvente av flersesjons longitudinelt arbeid). Denne studien sitter på grensen - gjennomførbarhet og umiddelbart atferdssignal er etablert for en spesialbygd stemmeresponsiv plattform; overføring er den neste testen.

Notat om Immersive VoiceSpace-plattformen. IVS skiller seg fra Therapy withVR. Det er et single-scene, stemmeterskel-responsivt system, oppfunnet og patentert av studieforfatteren. Mount Sinais institusjonelle rapport (mai 2026, “Hypophonia”) beskriver pågående arbeid som utvider IVS til personer med Parkinson-hypofoni, med planlagte moduler for stemmefeminisering og ytterligere kontekster. IP-statusen til IVS kunne ikke verifiseres uavhengig på tidspunktet for denne gjennomgangen (se funding/COI-feltet).