Les modèles d'apprentissage automatique de la musique décomposent généralement la tâche de composition en un processus chronologique, composant une œuvre musicale en un seul passage, du début à la fin. À l'opposé, les compositeurs humains écrivent la musique de manière non linéaire, griffonnant des motifs çà et là, et réexaminant souvent leurs choix précédents. Pour mieux approcher ce processus, nous entraînons un réseau neuronal convolutif pour compléter des partitions musicales partielles, et explorons l'utilisation de l'échantillonnage de Gibbs par blocs comme analogie à la réécriture. Ni le modèle ni la procédure générative ne sont liés à une direction causale particulière de composition. Notre modèle est une instance de NADE sans ordre (Uria et al., 2014), qui permet un échantillonnage ancestral plus direct. Cependant, nous constatons que l'échantillonnage de Gibbs améliore considérablement la qualité des échantillons, ce que nous démontrons être dû à certains distributions conditionnelles mal modélisées. De plus, nous montrons que même la procédure approximative bon marché d'échantillonnage de Gibbs par blocs proposée par Yao et al. (2014) produit des échantillons meilleurs que l'échantillonnage ancestral, tant en termes de vraisemblance logarithmique qu'après évaluation humaine.