En este estudio, proponemos un nuevo modelo automatizado para la estimación de la calidad del habla que evalúa objetivamente la gravedad de la disfonía perceptual y la aspereza en muestras de audio, demostrando una fuerte correlación con las calificaciones de expertos. El modelo propuesto integra incrustaciones del codificador Whisper con espectrogramas de Mel aumentados por características delta de segundo orden combinadas con un camino de mapeo de características de una red de fusión de atención secuencial. Este enfoque híbrido mejora la sensibilidad del modelo a la representación de características fonéticas y de alto nivel, así como a las variaciones espectrales, lo que permite predicciones más precisas de la calidad del habla perceptual. Un módulo de mapeo de características de red de fusión de atención secuencial captura dependencias a largo plazo a través de la red de atención de múltiples cabezas, mientras que las capas LSTM refinan las representaciones aprendidas modelando dinámicas temporales. El análisis comparativo con métodos de vanguardia para la evaluación de disfonía demuestra una mejor correlación de nuestro modelo con los juicios de los clínicos en las muestras de prueba. Nuestros hallazgos subrayan la efectividad de las incrustaciones derivadas de ASR junto con la estructura de mapeo de características profundas en la evaluación de la calidad del habla desordenada, ofreciendo un camino prometedor para avanzar en los sistemas de evaluación automatizada.