PRO

你可能不太了解音视频开发相关的，通常一个完整的音视频流会分为控制通道和传输通道，还涉及到编码解码，因为不可能直接传原始音频 pcm 数据，这个体积会非常大，而且其他音频录入源必然也是编码后的数据， 我不知道你说的嵌入式设备是那种。
如果能带 Linux 系统，有一种最简单没啥门槛的方案，用 mqtt 通信/控制，集成一个 ffmpeg 调用 ffplay 通过 rtsp(延迟低)/rtmp(延迟高)，在此需要在服务器部署一个流媒体服务器（ mediamtx,ZLMediaKit 等等），客户端通过 webrtc/rtmp/rtsp/rtp 向流媒体推流，把流地址通过 mqtt 发送给设备，设备直接通过 ffmpeg 调用 ffplay 播放就完事了
如果是 stm32 这种单片机, 考虑到资源有限可用的轮子不多,那要做的事情可能就非常多了

另外如果服务器带宽有限，设备非常多的情况下，还需要实现 NAT 穿透，通过 ICE(STUN&TURN) 实现点对点通信啥的