오늘날까지 사용되고 있는 전통적인 서양음악 음계는 한 옥타브(octave)를 동일한 간격의 반음 12개로 균등하게 나누는 과정을 통해 이론화되었다. 현대의 피아노는 각 옥타브당 12개의 건반이 있는데, 이 음 간격을 균등하게 하려면 각 음을 이전 음보다 2의 12번째 루트(root)만큼 높여야 한다. 현대의 조율 체계에도 단순한 비율은 여전히 존재하지만, 이상적인 모델과 비슷하기만 할 뿐 수학적인 정확성에 도달하지는 못한다. 따라서 현대의 조율 체계는 순정률 음악가들에게는 왜곡된 것이었다. 사람들은 평균율을 정돈된 것이라 여겼지만, 사실 이는 수학적으로 미세한 차이가 있는 조율 체계이다.
---p.48

키르허의 장치는 정신적 작업에 대한 기술의 확장으로 볼 수 있었다. 과거부터 글쓰기는 인간의 사고방식을 깊이 있게 재구조화하는 활동으로 분석되어 왔다. 마찬가지로 악보를 쓰고 읽는 일은 음악 이론과 실제를 재구조화하는 활동으로 간주될 수 있었다. 이러한 작업은 단순히 작품을 기억하는 정신적 작업을 외부화하는 것을 시작으로 더 복잡하고 긴 작품을 만드는 일을 가능하게 했다. 아마도 악보를 쓰고 읽는 기술이 없었다면, 작품의 형태가 기보법(Musical Notation, 記譜法)으로 완성될 수 없었을 것이며 저작이라는 개념도 등장할 수 없었을 것이다.
---p.69

과연 인간 음악가의 즉흥 연주는 컴포니엄이 만들어 내는 음악과 근본적으로 다른 것인가. 인간의 즉흥 연주는 연주자의 마음 상태, 예술적 목표, 청중과 동료 음악가의 반응을 통해 실시간으로 이루어지지만, 기존의 음악 토막을 무작위로 재생하는 컴포니엄에서는 이 절차가 제외된다. 그러나 즉흥 연주, 특히 컴포니엄이 만들어 내는 즉흥 연주는 완전히 자유롭지 않으며, 완벽히 예측할 수 없는 것도 아니다. 음악 토막에 내재한 음악 전통과 장르적 규칙이 다양한 가능성을 제한하기 때문이다. 일반적으로 역사적인 춤곡이나 20세기 록과 재즈 음악과 같은 특정 장르에는 청자가 기대하는 선율, 리듬, 화음 진행의 공식이 있어 범위가 제한된다. 결국 인간의 즉흥 연주를 모방한 컴포니엄의 ‘출력’은 음악 토막이 잘 구성된 무작위성 시스템을 출력한 결과이다. 따라서 이렇게 만들어진 시스템의 연주 결과는 과정이 완전히 다르더라도 인간 음악가의 즉흥 연주와 유사할 것이다.
---p.83

오늘날의 마르코프 연쇄의 기본 개념은 주어진 요소로 된 소스에서 특정 요소가 얼마나 자주 뒤따르는지에 대한 확률을 계산하는 방식이다. 즉 자료의 집합을 만든 후, 이 자료를 사용해 원본과 매우 유사한 새로운 요소의 배열을 생성할 수 있도록 한 것이다. 물론 오늘날 자료를 수집하고 계산하는 번거로운 작업은 과거에 수작업으로 행해졌던 마르코프의 영웅적인 시도와는 달리 컴퓨터가 맡고 있다. 오늘날의 ‘마르코프 연쇄’는 작품을 만들기 위해 규칙을 적용하고, 확률의 형태로 규칙을 확립하는 것이 형식적이고 명확하며 투명한 과정이라는 점에서 수학적 음악의 완벽한 방법론이라고 할 수 있다.
---p.103

이노는 1996년에 『생성음악 1』이라는 소프트웨어 음반을 발매했다. 음반 제목에서도 알 수 있듯이 음반을 만든 것은 이노가 제공하는 음악적 매개변수를 가진 소프트웨어였다. 그는 코안(Koan)이라는 반 무작위적인 음악을 만드는 데 특화된 소프트웨어 프로그램을 사용했다. 이 소프트웨어는 청자가 프로그램을 시작할 때마다 조금씩 다른 버전의 앨범을 만들었다. 따라서 청자가 『생성음악 1』을 구매하는 것은 음악이 아니라 그것을 제작할 수 있는 수단을 얻게 된다는 의미였다. 곡 자체가 아닌, 곡이 생겨나는 과정에 주된 관심을 둔 ‘생성음악’ 프로젝트는 이노의 근원적인 아이디어를 전달하는 효과적인 소통의 역할을 했으며, 이로 인해 그는 오랜 기간에 걸쳐 명성을 얻었다.
---p.126

AI는 새로운 힘을 가지고 있다. 하지만 그 이면에는 많은 양의 데이터가 필요하다는 전제 조건이 따른다. 일반적으로 AI 작업을 하려면 딥러닝 네트워크의 매개변수 계산을 조정하기 위한 많은 양의 학습 데이터가 필요하다. 예를 들어 AI 모차르트 음악을 만들려면, 누군가는 수많은 음악 토막의 정보를 ‘모차르트 음악’이라 구분하고 그것을 수동으로 입력해야 한다. 딥러닝 연구에서는 다양한 가능성이 존재하며, 모든 상황에 맞는 하나의 접근법이 존재하지 않는다. 따라서 개발자는 네트워크의 내부 구조에 따른 여러 가지 결정을 유연하게 처리해야 한다. 이런 모든 과정을 감안하면 컴퓨터를 이용하지 않고 누구의 음악 작품인지 일일이 작업자에게 묻는 작업이 더 간단하다. 비용적인 면에서도 더 효율적이다.
---p.139

음악가들은 기보법이 실제 연주되는 소리로부터 나왔다는 사실을 알고 있다. 실제 소리에는 통제할 수 없는 수많은 세부 사항이 있다. 가령 소리는 음악가의 교육, 사용된 악기, 연주 순간의 흔적 등을 전달한다. 그러므로 실제 녹음 오디오로부터 만들어진 오디오 창작물은, 컴퓨터가 더 많은 세부적 데이터를 얻고 학습할 수 있기 때문에 컴퓨터 음악이 ‘기계 같은’ 음악으로 인식되는 것을 벗어날 수 있는 방법이다. 그러나 오디오 실험은 여전히 기술 어휘를 이해할 수 있고, 실험에 필요한 값비싼 하드웨어에 접근할 수 있는 소수의 연구자만이 이용할 수 있다. 주크박스 프로젝트 연구의 개발자들은 최고 수준의 장비를 사용하더라도 1분짜리 음악을 만드는 데 9시간이 걸렸고, 수천 달러의 비용이 드는 수백 개의 전용 컴퓨터 장치로 몇 주 동안 모델을 학습시켜야 했다고 말한다.
---p.176

머신러닝, 딥러닝 혹은 인공지능은 기업의 음악 기술에서 최신 무기가 되는 기술이다. 그러나 소스 코드를 비롯한 프로그램의 기록은 공개되지 않는 경우가 많아 정확한 기술 설명을 하긴 어렵다. 대부분의 창업자들은 인터뷰에서 AI를 언급했고, 때로는 더 구체적으로 신경망에 관해 이야기했다. 한 창업자는 인터뷰에서 100개의 선율을 가진 네트워크를 제공했고 100개의 새로운 선율을 받았는데, 그중 50개는 ‘음악적이지 않아서’ 삭제했다고 말했다.
---p.184

미래에 가능한 또 다른 실험은 개별적으로 생성된 스타의 제품을 만드는 것이다. 현재 스타는 개별적으로 만들어지는 레코딩으로 인해 안정성을 위협받고 있다. 왜냐하면 각 청자가 스타와 음악에 대한 그들만의 버전을 가지고 있기 때문이다. 그러나 개인적인 대중음악이 대량 생산된다고 해도 이전 시대의 유명 스타들은 새 패러다임으로 이익을 얻을 수 있을 것이다. 기존의 스타는 음악 취향, 인구 통계, 검색 이력이나 상업적인 온라인 감시를 통해 축적된 데이터로 각 구매자를 위해 독특하게 변형된 새로운 ‘노래’를 판매할 수도 있을 것이다. 이러한 실험이 스타의 이미지를 해칠지는 두고 볼 일이다.