Las verificaciones de radio sirven como la base para la comunicación terrestre-aérea. Para integrar el aprendizaje automático en verificaciones de radio automatizadas y confiables, este estudio presenta una red de Verificación de Radio Automática (ARCnet), un nuevo algoritmo para la evaluación de la calidad del habla no intrusiva en la aviación civil, abordando la necesidad crucial de una comunicación terrestre-aérea confiable. Al emplear un enfoque de fusión de características a múltiples escalas, que incluye la consideración del dominio de frecuencia del audio, la comprensibilidad y la información temporal dentro de la red de puntuación de verificaciones de radio, ARCnet integra características diseñadas manualmente con características auto-supervisadas y utiliza una red de transformadores para mejorar el análisis de segmentos de habla. Utilizando el conjunto de datos de código abierto NISQA y el conjunto de datos propietario RadioCheckSpeech, ARCnet demuestra un rendimiento superior en la predicción de la calidad del habla, mostrando una mejora del 12% tanto en el coeficiente de correlación de Pearson como en el error cuadrático medio (RMSE) en comparación con modelos existentes. Esta investigación no solo destaca la importancia de aplicar atributos a múltiples escalas y parámetros de redes neuronales profundas en la evaluación de la calidad del habla, sino que también enfatiza el papel crucial de la red temporal en la captura de los matices de los datos de voz. A través de una comparación exhaustiva del enfoque ARCnet con métodos tradicionales, este estudio subraya su contribución innovadora para mejorar la eficiencia y la seguridad de la comunicación en la aviación civil.