最近の研究は主に深層学習を用いた音声強調（SE）のノイズ除去性能の向上に焦点を当てていますが、実際の利用シーンではノイズ除去性能と計算コストとのバランスが重要です。本研究では、冗長なチャネルを削除する新しいパラメータプルーニング（PP）技術を提案し、また少ないクラスターセントロイドで重みを表現するパラメータ量子化（PQ）技術を適用しました。これらの技術は異なる概念に基づいているため、PPとPQを統合することでさらにコンパクトなSEモデルが得られます。実験結果では、PPとPQ技術を用いたモデルはオリジナルモデルのサイズの10.03%となり、STOIで1.43%（0.70から0.69に）、PESQで3.24%（1.85から1.79に）のわずかな性能低下を示しました。この結果は、ストレージや計算資源が限られたデバイスでのSEシステムにこれらの技術が利用できる可能性を示唆しています。