1台のパソコンで、複数の動画サイトの音声を同時に流せるのはなぜ？

何も不思議に思いません。

電話機だと先の電話が優先されますが、パソコンだと何個でも（CPUの限界まで）可能です。

音に関しては、
同じ音楽をズレなく流せば、１つに聞こえるでしょうが、
そういう情況は、偶然には起こらないバラバラな音楽でしょうから、別々に聞こえて当然です。
実際の音楽制作でも、
「曲に合わせて、ボーカルが歌を乗せる」場合が多いでしょう。
それで音楽が成り立ちますが、
それを貴方の環境で、
（そんな音楽制作ではなく）適当に音楽を掛けて遊んでいるような事です。

ギター/ベース/ドラム/ボーカル
個別の音源を流して、上手くセッションになるように動作させてみましょうか　笑

例えば 音楽のライブの画面 1つを 見ているとします。

歌手の声、後ろの複数の楽器の音色 全てが 一緒に聞こえますね。
パソコンに限らず テレビでも 1つのスピーカーから
複数の 音が再生されていますね。

パソコンの システムが 開いている画面の音を全部 再生する
システムになっていれば 当然 全部の画面の音が 聞こえる筈です。

物理的に言えば、3つ以上の音は 1つに合成されて、
1つの音として スピーカーから 流れ出ます。

複数音声の波形が混ざって1つの波形になります。

重なる訳では無くて、1個の波形です。

オーケストラの演奏、大勢の会話、それをスピーカで再生した時、1個の波形です。音波(波)も1個の波です。

その1個から、脳が別々に識別するのですから、物凄い能力です。

＞逆に言えば、スピーカーの音を録音して、もともとの複数の音源に分けるのは、困難でしょうね。

人間は、混ざった音を、それぞれ別々に認識できるのですから、すごい能力だと思います。

そうも言えますが、AIの進化はすごいので、そのうちかもです。
ノイズキャンセラーのイヤホンとかも、凄い技術です。

パソコンのcpu側は、マルチタスクと言って同時並行処理です。

スピーカー側は、複数の音源があっても、混ざった1つの音と
して処理しています。

以前主流のADSLのネットも、電話回線に高周波載せて、
音声通話に支障なく、ネットが出来たでしょう。

３つ独立ですよ。

スピーカーから出る時にミックスされるだけです。
考えてみてください。
テレビを見ていて複数の出演者が同時に喋ったら同時にスピーカーから流れますね。
それと同じです。
不思議でも何でもないです。