ミキシングしないと大変なことになるだろ。
誰か1人のプレイヤーの音声は、蔵→鯖→その他の蔵
って流れになるから、鯖→その他の蔵
の通信量だけでも可聴範囲のプレイヤーの数をNとするとN^(N-1)*(ビットレート)の通信だろ？
可聴範囲に10人いるだけでとんでもない通信量になる。