Si recibo una llamada en modo de altavoz, ¿por qué la persona que llama no oye su propia voz ya que el sonido (lo suficientemente alto) también es recibido por el micrófono de mi teléfono?

El sonido se puede sumar y restar. Si tiene un sonido que sale de un altavoz, se puede hacer más alto, agregando otro altavoz que reproduzca el sonido exacto, en el mismo punto de un espacio teórico de propagación 1D; porque esta sucesión de aumento y disminución de la presión del aire se refuerza con otra fuente. (la realidad es más compleja que eso porque la propagación del sonido es en 3d) Luego, si coloca una fuente de sonido en el mismo lugar y espacio 1D, pero solo invirtiendo la fase (eso significa que cuando el aire se comprime en el original, lo descomprime y viceversa), en lugar de reforzar la señal, lo negará; para que pueda reducir la intensidad del sonido cuando ya se ha propagado al aire. Puede que no haya sido lo suficientemente claro; int hat case, lea sobre la cancelación de ruido: HowStuffWorks “Noise-cancelling Headphones”)
Nunca he trabajado ni investigado en esta tecnología en particular, pero sé que una computadora puede saber cuánto le lleva al sonido desde su captura hasta su reproducción (eso se llama latencia). Los chats de video probablemente tendrán un algoritmo que se ajustará al sonido entrante del micrófono y lo combinará con la versión invertida del sonido que se recibe de Internet.