Con los avances en inteligencia artificial (IA), es posible que las nuevas aplicaciones utilicen el aprendizaje profundo para componer música en el formato de interfaz digital de instrumentos musicales (MIDI) incluso sin ningún conocimiento de teoría musical. La música compuesta generalmente se evalúa mediante una prueba de Turing basada en humanos, que es un enfoque subjetivo y no proporciona ningún criterio cuantitativo. Por lo tanto, se aplican enfoques de evaluación objetiva con muchos parámetros descriptivos generales a la evaluación de datos MIDI considerando características como distancias de tono, tasas de acordes, rangos de tono, patrones de batería, etc. Sin embargo, establecer varios parámetros descriptivos generales manualmente en conjuntos de datos grandes es difícil y tiene limitaciones considerable en la generalización. En este documento, se propone un método de evaluación mejorado basado en enmascaramiento aleatorio y modelo de secuencia a secuencia (Seq2Seq) para evaluar datos MIDI. Se realizó un experimento con datos MIDI reales, datos MIDI generados y datos MIDI aleatorios. El Bilingual Evaluation Understudy (BLEU) es un enfoque común de evaluación de datos MIDI y se utiliza aquí para evaluar el rendimiento del método propuesto en un estudio comparativo. En el método propuesto, la proporción de la puntuación promedio de evaluación de los datos MIDI generados respecto a la de los datos MIDI reales fue del 31%, mientras que la de BLEU fue del 79%. Cuanto menor sea la proporción, mayor será la diferencia entre los datos MIDI reales y los datos MIDI generados. Esto implica que el método propuesto cuantificó la brecha al identificar con precisión los datos MIDI reales y generados.