時間というものがあるからね
結局NFBの電圧が発生するためにはスピーカーまで駆動されなくてはならないから。

入力 （入力＋NFB） 出力 ＮＦＢ
と並べてみると初期値のNFBを０として
１　１　０　０ （入力に１がきた）
１　１　10　−１（10倍された出力の1/10をNFBで戻すのでNFBは−１）
１　０　10 −１（入力＋NFBは０になる）
１　０　０　０　（０が増幅されて、０・・NFBも０になる）
１　１　10 −１（入力＋NFBが１になる）

てな具合で発振しちゃいそうなものだけど、実際には信号はアナログ的に
じんわり変化するんで、程良い量が戻ったところでなんとなく安定する。
大量のNFBをかければ、その分より小さいレベルのところに安定するので
出力は小さくなる。

トランスなどの周波数特性がうねっていれば、高いところではより多くの
NFBがかかり、低いところではNFBの量が減るので、なんとなく平坦になる。

そんなとこかな