遺憾是無法彌補的事，在有限的時間及身心狀態的限制之下，總有些事沒來得及完成，或是自己引以為憾，或是後人引以為憾，而後人往往會試圖彌補這個缺憾，有聽過子女去完成父母的遺願，也有後人試圖揣摩完成未完成的作品。
AI是一種自我學習的技術，透過深度學習方式，不斷的從已知的資料中萃取出特徵，然後套用到未知的資料上，試圖去理解、解釋、分析、辨識這個未知的資料，然後得出預期的結果。因此，理應有機會去完成一些未完成的事，當然這也是種”揣摩”的結果，畢竟逝者已矣，也無從招魂驗證。
在古典音樂的世界裡，有兩種”遺憾”，第一種是音樂演奏家沒來得及錄完”大全集”，缺了一角；第二種是作曲家來不及完成作品，僅存殘稿。這兩種遺憾如何能由AI來彌補呢?
【未完成的錄音】
俄國大鋼琴家 Emil Gilels一生錄音等身，而且相當的全方位，可是偏偏他的貝多芬鋼琴奏鳴曲全集錄音就缺了最後一首第32號奏鳴曲，DG這一套錄音就是無由的缺了這首，不是說Gilels就不演奏這首作品，這第32號的確是貝多芬很奇特的道別式的總結，彷彿很輕描淡寫的、帶著寧靜抽離式的高尚的品味，為他的作曲生涯做個結論似的，但是Gilels就是沒有為他的大全集做下總結，這是何等的憾事… 有兩種可能來彌補這個缺憾，一是找到他在某次場合時錄下的錄音，然後進行優化；另一種情況是如果沒有錄音，那就來模擬他可能的演奏方式。
如果有某次錄音，那就用上篇提到的方式，如果是室內樂，那先用AI”深度學習”來拆解個別樂器，清洗後再組合成適合該全集錄音的音質，這樣應該是”原音重現”的最佳方式；如果是像Gilels這樣的獨奏樂器，可以用AI”生成對抗 GAN”的方法，將存留音質不佳的錄音矯正成接近於大全集的錄音效果；如果是管弦樂，可以用GAN或是”強化學習”的附身方式來逼近。留有其他的錄音就好辦，而且可以算是”原汁原味”的再造。
如果真的沒得參考，那就得”偽造”一下了，首先得萃取出演奏者的風格，這得該演奏者留有足夠數量的錄音才行，AI是透過大量資料的學習而成的，以Gilels為例，他留有不少的錄音，雖然AI需要成千上萬筆以上的資料準確度才夠高，在此就盡力而為了，AI學習的重點是”要學甚麼?”，這得音樂學者來分析了，可能包括Gilels在演奏貝多芬時的音高、強弱、速度等表象的特徵，也可能得比對他人的演奏特色進行交叉分析，有了這些特徵，再套入鋼琴音效模擬或是電子鋼琴，將貝多芬的第32號樂譜跑一次，再進行微調，也許可以拼湊出一個”很接近Gilels演奏風格”的貝多芬奏鳴曲大全集了! 至於是否有沒有可能讓卡拉揚錄完Sibelius的全集呢(缺第三號)? 這不容易，卡拉揚可能根本不想演奏第三號交響曲，模擬起來的複雜度很高，要重現的複雜度也很高。
【未完成的作品】
舒伯特有首”未完成”交響曲，只有兩個樂章，還是後人找到的，到底是其他兩個樂章遺失了，還是舒伯特認為這樣就夠了呢? 普契尼的”杜蘭朵”寫到柳兒自殺、瞎眼老王扶棺而去時，就跟著掛點了，後面留下殘篇，這個尾巴總得有人填補，Franco Alfano成了補齊遺缺的人，但總有人有意見，歷史上幫人家完稿的，總會有雜音困擾。所以未完成的作品也有兩種型態，一種是後面根本來不及寫或真的遺失了，另一種是留下蛛絲馬跡，有跡可循，看AI要如何來解決這個問題。
先看有跡可循的，骨架還在，只要長肉就行，那就把形體畫出來，大部分的作曲家都有些慣用手法可循，AI得先學會如何萃取作品的特徵，上篇提過的 moises這家公司就利用AI來做特徵的應用，使用者只要把妳的作品上傳，再上傳一首妳想要的那個風格的成品，moises就會把妳的作品調整成那樣風格的作品，例如我想要我的作品呈現出周杰倫的風格，那我就把”牛仔很忙”傳上去AI平台，我的作品就會”很忙”了! 古典音樂當然比較複雜，又很長，種類繁雜，要如何決定該分析的特徵，這得學者跟工程師一起努力。然後還是得有人先把肉填一填到骨架上，再送入AI去修整成更符合肌理的樣貌，或者可以將 Alfano補齊的杜蘭朵終局送入已經萃取出普契尼特徵的AI內在修整一下，這樣就更貼切於普契尼的原意了!
如果沒有任何斷簡殘篇可循，要純粹讓AI去猜想模擬作曲者的意念來完成不存在的樂章，我想這是很難的事，舒伯特的”未完成”那麼深沉浪漫的兩個樂章，到底是缺了甚麼? 是令人振奮的結尾，還是陽光似的起頭呢? 如果我們先指定應該有個陽光似的第一樂章、有個令人振奮的第四樂章，然後讓AI去”作曲”，即便作出來了，大概連鬼都不相信! 所以不要浪費時間在這樣的事情上了，還是交給考古學家去尋寶吧!
