El aprendizaje profundo ha avanzado significativamente en el campo de la generación automática de música. En la actualidad, la investigación sobre la generación de música a través del aprendizaje profundo se puede dividir en dos categorías: modelos predictivos y modelos generativos. Sin embargo, ambas categorías tienen los mismos problemas que deben resolverse. En primer lugar, la longitud de la música debe determinarse artificialmente antes de la generación. En segundo lugar, aunque la red neuronal convolucional (CNN) es inesperadamente superior a la red neuronal recurrente (RNN), la CNN todavía tiene varias desventajas. Este artículo propone un enfoque de red generativa adversarial condicional utilizando un modelo de inicio (INCO-GAN), que permite la generación automática de música de longitud variable completa. Al agregar una capa de distribución de tiempo que considera datos secuenciales, la CNN considera la relación temporal de manera similar a la RNN. Además, el modelo de inicio obtiene características más ricas, lo que mejora la calidad de la música generada. En los experimentos realizados, se comparó la música generada por el método propuesto y la creada por compositores humanos. Se logró una alta similitud de coseno de hasta 0.987 entre los vectores de frecuencia, lo que indica que la música generada por el método propuesto es muy similar a la creada por un compositor humano.