軟體自身即可成為曲目。數位工具最有趣的地方，在於他們不必然要以現有原音樂器的邏輯解讀與再現，經常會見到特定的數位工具只為某一個作品或計劃被開發出來。
軟體還具備其他優點，像是能更有效地隨機選擇與執行複雜運算。「隨機性（Randomness）」是設計生成式系統時非常實用的參數。在預設好的條件與規則下，經由排列組合，你能得到超乎想像的可能性，進而探索介於規律與混亂間的世界。適度增加「隨機性」也可避免數位音訊中太過固定的重複。另一個在生成式音樂常見的核心元素是「演算法(Algorithm)」，通常跟隨一個清楚的規則、進行運算，然後做形式上的推理。
互動式與生成式音樂（Interactive and Generative Music）
討論到「互動」，勢必會指向最有趣也最複雜的對象-人類。為了與人-觀眾發生關繫，作曲家們開始創造帶有互動性的生成式音樂系統。以伊諾的《Trope》為例，當使用者以手劃過螢幕，就會在介面上留下軌跡，介入原本自動運行的音樂。這類作品等於是讓聽者去完成音樂，模糊了作曲家與聽眾的界線。
一方面來說，作曲家放棄了一些控制權，藉由留下一些未完成的美學抉擇，讓觀眾能夠參與。從另一方面來說，作曲家仍然有著全然的控制能力，像是一個系統的設計者，打造出一個生成式空間（Generative space）給聽者去探索。當你給予使用者越多自由，「互動」就變成音樂家與生成系統「協作」的過程。儘管是在被預先設計好的機制之中，但當聽者有能力去控制音樂的結構；此時，觀眾就是音樂家。
另一種人機（human-machine）互動的模式，是去「教」機器該怎麼執行。與設計整個生成系統不同，創作者能透過展示某種期望被生成的音樂範例，讓機器去分析與模仿，這就是機器學習（machine learning）。在音樂領域，以往多是應用「馬可夫鍊（Markov Chain）」這種雖然古老但至今仍有效的機制，藉由判斷相關性與條件機率來產生新的音樂事件。「事件」可以是一段旋律中的音符、或樂句間的排列組合。 現在則多透過類神經網路與深度學習等技術來實現更全面的學習，例如Magenta計畫。
