Dopiero na końcu zauważyłem jak masz zbudowany procek (pisałem odpowiedź po kawałku).
Ile masz innych VM i jak one obciążają sprzęt?
Zaobserwuj to od strony hypervisora, bo VM od wewnątrz może widzieć zasoby wykorzystane w 100% mimo, że faktycznie wykorzystuje w pełni tylko dynamiczny przydział zasobów.
Moim zdaniem gdybyś miał faktyczne 100% obciążenia procesora to powinny być słyszalne zniekształcenia dźwięku.
To może też być kwestia co, jak i skąd odtwarzasz - popatrz na różnice między mp3, a aac.
Spojrzałeś jak mocno ffmpeg obciąża proca - może 3 generacja nie ma sprzętowego wsparcia dla jakichś operacji na multimediach? (no ale na odtwarzanie czy transkodowanie mp3 potrzebna moc obliczeniowa jest śmiesznie mała, chociaż oczywiście kodowanie do mp3 używa wielokrotnie więcej mocy obliczeniowej niż dekomresowanie)
Wrzuć też takie info - może ktoś znajdzie coś podejrzanego