Piloto de Immersive VoiceSpace VR (N=17, pessoas vocalmente saudáveis e pessoas com disfonia) - os participantes escalaram intensidade e altura através de condições graduadas de restaurante virtual

Enquadramento

A mudança vocal é um problema de aprendizagem motora, não apenas um problema de conhecimento. A terapia vocal comportamental é eficaz em muitas patologias da voz, mas os ganhos obtidos em contexto clínico falham frequentemente em transferir-se para a comunicação quotidiana. A literatura sobre aprendizagem motora é clara quanto ao porquê: a mudança duradoura depende da prática em condições que se aproximem do contexto-alvo, e não apenas da execução do comportamento numa sessão estruturada. O Specificity of Learning Principle, o Transfer-Appropriate Processing e o Encoding Specificity convergem todos para o mesmo ponto - quando as exigências sensoriais e contextuais da prática correspondem às do uso real, a transferência é mais forte.

O uso vocal no mundo real ocorre sob exigências em camadas: intenção comunicativa, distância ao ouvinte, pressão socioemocional, dimensão da sala, acústica de fundo e indicadores visuoespaciais que sinalizam quanta voz é necessária antes mesmo de a pessoa falar. As salas clínicas convencionais minimizam intencionalmente estas variáveis, o que serve a aquisição inicial mas sub-representa precisamente os indicadores de que a teoria da aprendizagem diz depender a generalização.

A realidade virtual imersiva oferece uma forma controlada de reintroduzir esses indicadores. O estudo multissensorial de Daşdöğen de 2023 (neste Hub) estabeleceu que os indicadores VR visuais e audiovisuais conduzem a adaptações vocais mensuráveis em adultos vocalmente saudáveis, para além do que a simulação acústica isolada produz. O estudo de 2026 sobre cantores treinados (também neste Hub) estendeu este trabalho à comparação entre falantes peritos e não treinados. O presente estudo dá o passo seguinte: o mesmo efeito mantém-se numa população vocal clínica, e é viável utilizar uma plataforma de VR personalizada e responsiva à voz nessa população.

O que os investigadores fizeram

Um piloto intra-sujeitos em Mount Sinai com 17 adultos: 10 falantes vocalmente saudáveis recrutados na clínica de otorrinolaringologia e no pessoal hospitalar, e 7 pessoas com disfonia recrutadas durante consultas de rotina de avaliação vocal (diagnósticos incluindo presbifonia, pólipo das pregas vocais, paresia das pregas vocais, disfonia por tensão muscular e cuidados vocais de afirmação de género).

A intervenção foi o Immersive VoiceSpace (IVS) - uma plataforma de VR personalizada desenvolvida pelo autor único. O IVS renderizava um restaurante virtual pouco frequentado num capacete Oculus Quest 3. Uma personagem não jogadora (empregado) servia como alvo de escuta. O empregado respondia em tempo real à voz do participante: se a intensidade vocal atingisse um limiar predefinido, o empregado aproximava-se e mantinha-se em postura de escuta; se ficasse abaixo do limiar durante mais tempo do que um tempo de espera definido, o empregado afastava-se.

Três parâmetros foram graduados entre as condições:

• Distância ao ouvinte - 5 m (Normal), 10 m (Effortful), 15 m (Calling)
• Limiar de ativação vocal - +3 dB, +5 dB, +10 dB acima do SPL da condição linha de base de cada participante
• Tempo de espera de afastamento - 5 s, 10 s, 20 s

A tarefa de fala nas quatro condições foi a mesma: “Encomende uma bebida, uma entrada, um prato principal e uma sobremesa.” A condição Baseline foi realizada com um membro da equipa de investigação a atuar como ouvinte na sala clínica a ~2 m. As três condições IVS foram realizadas no restaurante virtual em ordem aleatorizada.

Para isolar os efeitos visuoespaciais, o som ambiente do restaurante (conversas de fundo e ruídos de talheres, que o IVS pode reproduzir) foi silenciado em todas as condições experimentais. A gravação acústica foi feita através de um microfone de condensador AKG C520 montado na cabeça, a 7 cm da boca, calibrado a uma referência de 30 cm, captado a 44,1 kHz / 16 bits via Computerized Speech Lab (CSL).

Resultados: nível de pressão sonora (SPL, dB) e frequência fundamental média de fala (f0 média, Hz), cada um extraído do CSL e analisado em modelos lineares de efeitos mistos separados com interceto aleatório por sujeito. Os efeitos fixos foram Grupo (Típico, Atípico) e Condição de Tarefa (Baseline, Normal, Effortful, Calling). A interação Grupo x Condição de Tarefa foi mantida para a f0 média (significativa) e removida do modelo SPL final (não significativa). Os efeitos fixos foram avaliados com somas dos quadrados de Tipo III e graus de liberdade aproximados por Kenward-Roger; os contrastes par a par utilizaram médias marginais estimadas com correção de Tukey.

Um questionário de Likert de 5 pontos (desenvolvido pelo autor, ainda não validado) captou quatro domínios após a sessão: Usabilidade e Interação, Imersão e Realismo, Envolvimento e Benefício Percebido, Conforto e Segurança. As pontuações por domínio foram promediadas; um índice global de viabilidade foi a média dos quatro domínios. O feedback aberto foi revisto de forma descritiva.

O que encontraram

Nível de pressão sonora. Um efeito principal significativo do Nível IVS: F(3, 48) = 33,94, p < 0,001. Em relação à Baseline, o SPL aumentou 3,83 dB em Normal, 7,41 dB em Effortful e 9,04 dB em Calling (todos p < 0,001). Os contrastes par a par Normal-para-Effortful e Normal-para-Calling foram significativos; o passo de 1,63 dB de Effortful para Calling não foi (p = 0,450), o que sugere um padrão próximo de teto no nível de exigência mais alto. O efeito principal de Grupo também foi significativo: as pessoas com disfonia produziram em média cerca de 6,88 dB a menos de SPL do que os falantes vocalmente saudáveis. A interação Grupo x Nível não foi significativa e foi, por isso, removida do modelo SPL final - ambos os grupos aumentaram a intensidade em paralelo à medida que as exigências da tarefa cresciam.

f0 média de fala. Um efeito principal significativo do Nível IVS: F(3, 45) = 17,63, p < 0,001. Aumentos por patamares em relação à Baseline (interceto ≈ 201,8 Hz para o grupo típico) de cerca de 36 Hz em Normal (p = 0,008), 66,6 Hz em Effortful (p < 0,001) e 103,9 Hz em Calling (p < 0,001). O efeito principal de Grupo foi significativo, mas a interação Nível x Grupo também foi: F(3, 45) = 3,94, p = 0,014. Decomposição da interação: na Baseline os grupos não diferiam na f0 média (p = 0,102); em Normal a diferença aproximou-se sem atingir a significância (p = 0,055); em Effortful (p = 0,003) e Calling (p < 0,001) a diferença foi significativa e cresceu com a exigência. O grupo com disfonia elevou a altura tonal com as exigências, mas em menor extensão do que o grupo vocalmente saudável.

Viabilidade. Pontuações por domínio (em 5): Usabilidade e Interação 3,9 (moderado-bom), Imersão e Realismo 3,4 (moderado, domínio mais baixo), Envolvimento e Benefício Percebido 4,0 (bom), Conforto e Segurança 4,5 (excelente). Índice global de viabilidade 4,0 (bom). Sem eventos adversos, sem cybersickness, sem interrupções técnicas durante o protocolo. Tempo médio de reconfiguração de parâmetros entre ensaios de cerca de 2 minutos. Duração total da sessão de cerca de 20 minutos por participante.

Feedback qualitativo. Os participantes descreveram a experiência como “divertida,” “como um videojogo” e “uma forma realista de praticar o uso vocal.” Destacaram o comportamento vivo e reativo do empregado como o elemento mais envolvente. O feedback negativo mais consistente referiu-se ao comportamento interacional limitado do empregado - os participantes desejavam respostas verbais, expressões faciais e gestos durante os turnos de escuta para que a interação fosse mais natural.

Porque é importante

Para o Evidence Hub, três aspetos deste artigo são importantes:

• Primeira utilização publicada em população clínica de uma plataforma de VR personalizada e responsiva à voz. Os trabalhos anteriores em VR vocal imersiva (incluindo Daşdöğen 2023 e Daşdöğen 2026 sobre cantores treinados) foram largamente realizados em adultos vocalmente saudáveis. Este estudo estende-se a pessoas com disfonia, incluindo casos diagnosticamente diversos.
• Evidência direta de que o feedback avatar responsivo à voz pode suscitar escalada vocal graduada sem orientação explícita do clínico. Esta é a demonstração publicada mais próxima de um mecanismo de generalização e transferência para a terapia vocal: o participante ajusta a saída vocal a exigências ambientais funcionais, em tempo real, em resposta a feedback contextual não verbal.
• Padrão comportamental comparável entre os grupos vocalmente saudável e com disfonia para a intensidade, com flexibilidade tonal limitada no grupo com disfonia. O resultado do SPL sugere que o mecanismo contextual está intacto em falantes com perturbação vocal; o resultado da f0 é coerente com a literatura vocal mais ampla sobre flexibilidade fonatória reduzida na fonação perturbada.

Especificamente para a Therapy withVR: este trabalho testou o IVS, não a Therapy withVR. O princípio mais amplo que apoia (exigências visuoespaciais graduadas suscitam adaptação vocal funcional) é coerente com a lógica que os clínicos já utilizam ao escolher cenas na Therapy withVR para o trabalho vocal. A equivalência direta do mecanismo de gatilho avatar-limiar entre plataformas não foi estudada.

Limitações

O artigo é explícito sobre o que este ensaio estabelece e o que não estabelece:

• A dimensão da amostra é pequena (N = 17; atípicos n = 7). A análise por subgrupos por diagnóstico vocal não é viável com este N.
• Apenas uma única sessão. A afirmação central do quadro teórico do IVS é a transferência melhorada ao longo de sessões de aprendizagem, o que este desenho não consegue testar.
• Sem condição de controlo ou comparadora. Não há controlo baseado em imaginação, comparador de tratamento alternativo nem braço de lista de espera. Os efeitos observados ao longo dos níveis de IVS são coerentes com a manipulação visuoespacial mas não podem ser separados de forma limpa dos efeitos de novidade ou exposição a VR.
• Linha de base recolhida fora do capacete. A comparação Baseline-para-Normal confunde a exigência da tarefa com o ato de colocar o capacete e entrar pela primeira vez num ambiente virtual.
• O som estava silenciado. O som ambiente do restaurante (que o IVS pode reproduzir) foi deliberadamente silenciado para isolar os efeitos visuoespaciais. É uma escolha experimental limpa mas limita a validade ecológica - restaurantes reais são ruidosos e o ruído é um conhecido motor de ajuste vocal.
• Contexto virtual único. Apenas uma cena (o restaurante) foi testada. O roteiro clínico exige demonstrar o mesmo padrão em vários contextos (clínica, sala de aula, local de trabalho, atuação, contextos médicos).
• O questionário de viabilidade foi desenvolvido pelo autor e não está validado. O feedback aberto é informativo, mas deve ser tratado como descritivo e não psicométrico.
• Conflito de interesses significativo. O autor único é o inventor do IVS, titular de um pedido de patente nos EUA sobre a tecnologia e único investigador deste estudo. Não há trabalho de fiabilidade interavaliadores, controlo de qualidade por coinvestigadores nem replicação independente.
• Limites interacionais do avatar. O feedback dos participantes sinalizou a ausência de resposta avatar verbal e gestual como uma limitação do realismo percebido. Esta é uma prioridade de desenvolvimento para versões futuras e também uma ameaça significativa à interpretação das pontuações de Imersão e Realismo no piloto atual.

Como se enquadra no Evidence Hub mais amplo

Este estudo faz parte de uma linha crescente de trabalho em VR vocal imersiva centrada em Mount Sinai / Daşdöğen e laboratórios vocais adjacentes:

• Daşdöğen et al. 2023 (Journal of Voice) - o trabalho fundador de realismo e validade em 31 adultos vocalmente saudáveis em 18 condições de entrada sensorial. Estabeleceu que os indicadores VR visuais e audiovisuais, e não apenas os acústicos, alteram a produção vocal.
• Daşdöğen e Hitchcock 2026 (Journal of Voice) - estudo com cantores treinados versus falantes não treinados utilizando o módulo Rooms da Therapy withVR. Mostrou que os indicadores de distância virtual conduzem a escalada vocal de forma diferente em vozes treinadas versus não treinadas.
• Hoff 2026 (Journal of Voice) - breve meditação baseada em VR antes da terapia vocal. Mecanismo diferente (regulação da ansiedade-estado em vez de cueing vocal direto), mas a mesma direção de avanço para a adoção da VR em clínicas vocais.
• Leyns et al. 2025 (Journal of Voice) - ECR de treino vocal de afirmação de género baseado em VR utilizando a Therapy withVR. Diretamente relevante dado que o IVS estaria, segundo se relata, a desenvolver módulos vocais de afirmação de género conforme a comunicação institucional de Mount Sinai.

A paisagem mais ampla: a voz em VR está a mover-se de “a simulação parece suficientemente real para alterar o comportamento” (em grande medida respondido: sim) para “a prática na simulação transfere-se para o uso vocal no mundo real” (em grande medida sem resposta, à espera de trabalho longitudinal multissessão). Este estudo situa-se na fronteira - a viabilidade e o sinal comportamental imediato estão estabelecidos para uma plataforma personalizada responsiva à voz; a transferência é o próximo teste.

Nota sobre a plataforma Immersive VoiceSpace. O IVS é distinto da Therapy withVR. É um sistema de cena única, responsivo a limiar vocal, inventado e patenteado pelo autor do estudo. O relatório institucional de Mount Sinai (maio de 2026, “Hypophonia”) descreve trabalho em curso que estende o IVS a pessoas com hipofonia parkinsónica, com módulos planeados para feminização vocal e contextos adicionais. O estado de PI do IVS não foi possível verificar de forma independente no momento desta revisão (ver o campo funding/COI).